例如这样：
（2）通过对比音乐的播放时间与歌曲正常的播放时间。假如用户未对这首歌听完整就选择“切换至下一首”按键，那么这首音乐的实际时间要小于音乐正常的播放时长，因此基于此种情况，建议将此类歌曲放置于“跳过收听集”里面，标记为“skip”集。
（3）通过对于音乐的id，如果有相同的两首歌曲的id，那么就可以把此类音乐至于“重复集”之中，标记为“repeat”集；如果不存在重复id，那么可以放入到“正常集”，标记为“normal”集。
（四）推荐模型构建
我们基于此，可以收到同一个用户的3个集合，在这其中有用户经常喜爱听的歌曲集、以及通常的收听歌曲集，还包括跳过收听的歌曲集合，这些种类的不同都会体现出不同用户喜爱音乐的不同，还有对不同音乐的偏好程度。另外，还要再进行其他种类的签利设计。以此来创建智能的音乐推荐模式。
1、音乐标签映射
使用者在对不同的音乐进行标签标注是自我选择的行为，这往往表明了用户在不同的情景之下，自身的情感偏好，可以进一步以标签的形式标注为用户行为。因此本论文将用户可能多次标注的标签当做对于音乐作品的准确性描述，所以多次被标注的音乐标签通常也能够被认为是较多音乐使用者在对音乐的共同情感表达。（示例如下表）。
在这一步骤之中，将通过这三个不同的音乐组别，依靠给予多元的权重，来进行标签化处理，以此来对音乐使用者的兴趣爱好进行描述，然后我们把建立在这种基础之上，通过被赋予不同权重的重复性标签的用户，来进行音乐的智能推荐模型。
首先，依据歌曲-标签的映射关系，将三个歌曲集合中的歌曲进行关系匹配，进一步转换为最频繁标签。
其次，通过三个组别中出现的频率和权重，在这里标签计算法采用是TF-IDF。签t在集合d中的权重。
在媒体内容之中，进行智能化推荐，无论是在理论界、还是社会大众，都已经成为了研究的重中之重，因此，本篇文章将从音乐的角度，来对相关问题进行研究。
就目前现有的个性音乐推荐来看，存在的问题就是，通过算法运算，对于使用者而言对于音乐的评分，由此而产生的数据可能产生稀疏性和零散性，以及对于歌曲的不同理解上面，都会产生一系列问题，因为本篇文章在考虑上述问题的前提之下，提出了一个模型，即音乐内容自动化推荐：
1、以往单独这种自定义化的运算推荐方式将会导致某些问题，例如稀疏数据。本文将通过相关数据，例如利用用户的隐式反馈行为来不断提高进行智能推荐的精准性。
2、进行互联网标签的数据性分析。对物品的标记而言，这是用户的是自我选择之后的结果，因此，笔者将会采用通常的的标签方式，来对相关作品进行准确的描述，之所以采用这种方式，是因为在互联网标签模式下，通常能够体现出大众用户的通常性选择。
3、依靠在互联网标签之中可能存在的某些显著特征，发现了一种在通过互联网标签不同比重基础之上，而进行更加合理的音乐种类推荐模型。我们要考虑使用者自身携带的隐式反馈信息，目的在于可以把用户收听的歌曲分为三类，第一类为通常性收听类别，第二组为重复收听类别，第三组为跳过性收听类别。另外还要在对相对集中的歌曲内容更换成互联网数据标签;再通过互联网标签上面可能发生频率，而进行分门别类，为标签分配权重形成智能推荐模型。
（二）未来展望
本文提出了一种媒体内容智能推荐模型，是以用户行为为分析基础的加权模型，并依靠实验分析的方式，从而得出了重复性较高的统计标签信息和使用者在不同音乐爱好上的兴趣，但是在目前还存在一些问题，例如：
1、处理数据稀疏性问题
本篇论文将结合已有的数据，并且依靠大众用户的相关信息条目的不同性特征，从而可以看出针对记录可能小于100条的用户，还存在数据稀疏性问题。
2、标签间存在相似性问题
以上章的实验结果为例，“synth pop”标签和“synth-pop”标签的相似度可以看作100%，但在标签处理时被看作两个分离的标签。标签的语义处理也是今后音乐推荐研究继续努力的方向。