Рекомендация песни с использованием машинного обучения

Создание системы рекомендаций — обычная задача, с которой сталкиваются Amazon, Netflix, Spotify и Google. Основной целью системы рекомендаций является персонализация контента и определение релевантных данных для нашей аудитории. Это могут быть статьи, фильмы, игры и т. д.

В нашем давайте попробуем, если для рекомендации песни

Самый простой подход: Популярность и другие подходы, где мы видим историю покупок и многие

Плюсы:
Персонализация: учитывает информацию о пользователе и историю покупок. Функции могут фиксировать контекст: время дня,
история: возраст пользователя.

Как оценить модель

точность

поэтому, когда мы думаем о точности, мы в основном думаем о том, сколько мусора мне приходится рассматривать по сравнению с количеством элементов, которые мне нравятся. Итак, это мера того, когда у меня ограниченная продолжительность концентрации внимания.

отзывать

Отзыв – это сколько истинных положительных результатов, а также сколько правильных совпадений.

Ну, мы знаем, что нам хотелось бы, чтобы точность и полнота были как можно больше, и как можно лучше.

Ну, как я уже сказал, мы хотим, чтобы точность и полнота были как можно выше, но одна вещь, которую мы можем измерить, чтобы сравнить их, - это в целом, какой из них работает лучше, чем другой
Что ж, мы можем подумать о области под Кривая. Итак, мы можем посмотреть, например, на всю эту область под этой синей кривой или линией и сравнить с оранжевой.

Давайте попробуем это на реальном примере

Первый шаг — получить набор данных из этого Sframe Click

song_data.sframe — Google Диск
Изменить описаниеdrive.google.com

загрузить набор данных

получить сводку и проверить количество уникальных пользователей, использующих их идентификаторы

Построение рекомендательной системы для модели популярности путем разделения тестового и обучающего набора данных

пришло время проверить рекомендации модели, которую мы строим

для первого пользователя

Для второго пользователя

Посмотрите, что оба пользователя получили одни и те же песни, это когда используется модель популярности, которую мы не нацеливали на конкретного пользователя, теперь позволяет настроить таргетинг на конкретного пользователя

Ну, всем рекомендуют одни и те же вещи. Потому что мы просто рекомендовали самые популярные товары. Так что этого человека также рекомендуют Хармония, Бьорк, Дуайт Йоакам, Король Леона, так что, в общем, не так уж и интересно. Всем рекомендуют одно и то же. Это проблема этой модели.

Теперь давайте сделаем персональный рекомендатель

пришло время проверить персональную рекомендацию модели, которую мы строим

для первого пользователя

для второго пользователя

мы также можем увидеть песни, которые похожи

мы также можем взять песню и спросить, какие другие песни похожи, нравятся похожим людям. Таким образом, людям, которым нравится эта песня, нравится и эта другая песня, поэтому мы можем сделать это с помощью персонализированной_модели.get_similar_items.