در مرحله بعد از هر پنجره ضرایب MFCC استخراج می‌شود.ضرایب MFCC دارای m بعد می‌باشد. در نهایت ماتریسی از درجه n×m خواهیم داشت.
در آخر با استفاده از عملگر Area method of moments به تجمیع MFCC‌های استخراج شده می‌پردازد.
شکل3-4- روش محاسبه Area Method of Moments of MFCC
3-4معرفی معیار شباهت پروفایل جدید
یکی از روش‌های پیشنهاددهی موسیقی بر اساس روش collaborative filttering است. در این روش بر اساس نظرات پیشین مشتریان به مشتریان جدیدی که اظهاراتی شبیه به یک مشتری خاص داشته‌اند، پیشنهاد می‌دهد. در این روش یکی از مسائل پر اهمیت، معیار شباهت مناسب به منظور کشف مشتریان با ذائقه شبیه هم می‌باشد. در بسیاری از کارهای گذشته از معیار فاصله اقلیدسی استفاده شده است. اما در این تحقیق معیار شباهتی تعریف شده است که ذائقه مشتریان را در محاسبه شباهت میان پروفایل‌ها را در نظر گرفته و تنها فاصله میان دو پروفایل به عنوان معیار شباهت در نظر گرفته نمی‌شود. چرا که این فاصله ریاضی نشان دهنده شباهت ذائقه مشتریان نیست.
3-4-1 معیار شباهت پروفایل
فرض بر آن است که مجموعه از پروفایل مشتریان در اختیار است. در این پروفایل مشتریان نظر خود را در مورد کالایی خاص- این کالا می‌تواند کتاب، فیلم، موسیقی و… باشد- به صورت عددی ارائه داده‌اند. برای مثال ماتریس زیر مجموعه پروفایل‌های در اختیار است. ستون‌ها نماینده کالا‌های موجود و سطرها نماینده افراد می‌باشند.
P=
که در آن می‌تواند عدد منفی به معنای امتیاز داده نشده و عدد مثبت به معنای امتیازی که به آن کالا داده شده است باشد. این امتیاز می‌تواند زیاد، کم و یا متوسط باشد و نماینده میزان علاقه کاربر به آن کالا است.
در این معیار شباهت امتیازها و در ازای آن‌ها کالاها به سه دسته علاقه بالا متوسط و کم تقسیم می‌شود. منطق این معیار از آنجایی می‌آید که دو کاربری شبیه هم هستند که تعداد کالا‌های مشترک با امتیاز بالا و متوسط زیاد که نشان دهنده یکی بودن سلیقه دو کاربر است و در مقابل تعداد کالاهایی که یک کاربر امتیاز بالا به آن داده و کاربر دیگر امتیاز پایینی به آن داده کم باشد چرا که نشانگر عدم هم سلیقه‌گی دو کاربر می‌باشد.
معیار شباهت ارائه شده در این تحقیق به صورت زیر می‌باشد:
D= hh + α mh + β mm – λlh
که در آن:
hh: تعداد کالاهای مشترک دو کاربر که هر دو امتیاز بالا به آن کالا داده‌اند.
ml: تعداد کالاهای مشترک دو کاربر که یکی امتیاز بالا به آن کالا داده و دیگری امتیاز متوسط
mm: تعداد کالاهای مشترک دو کاربر که هر دو امتیاز متوسط به آن کالا داده‌اند.
lh: تعداد کالاهای مشترک دو کاربر که یکی امتیاز بالا به آن کالا داده و دیگری امتیاز پایین
وα، β و λ ضرایب مناسب دلخواه است که می‌تواند ارزش هر قسمت را کم یا زیاد کند.
در این معیار هر چه عدد به دست آمدهبزرگ‌تر باشد شباهت دو کاربر بیشتر است.
برای رو شن‌تر شدن منطق گفته شده نکات زیر می‌تواند کارگشا باشد:
فرض کنید دو کاربر تنها چند کالا را با امتیاز مشترک (بالا – متوسط – پایین) امتیازدهی کرده باشند. فاصله اقلیدسی فاصله میان این دو کاربر را صفر محاسبه کرده و دو کاربر را کاملا شبیه هم اعلام می‌کند. در صورتی که: 1) به علت تعداد کم کالا نمی‌توان اطمینان داشت که ذائقه این دو کاربر مانند هم است. 2) اگر هر دو کاربر امتیاز پایینی به کالاها داده باشند،با وجود این که کاربرانی شبیه هم اعلام شده‌اند اما در عدم علاقه به یک کالا نه در علاقه به آن پس از این کاربران نمی‌توان برای پیشنهاددهی به یکدیگر استفاده کرد.