Система рекомендаций предлагает персонализированные товары, такие как музыка или товары, которые вам могут понравиться. Хорошая система рекомендаций по музыке, такая как Spotify, должна иметь возможность автоматически определять предпочтения и соответственно создавать списки воспроизведения.
Совместная фильтрация - это популярный метод поиска пользователей с похожими моделями прослушивания и вкусов, что и у нас, и выявления условных различий в музыке. Для новых рекомендаций это песни, которые пользователь слушал, но не другие, если у этих двух есть существенное совпадение в их вкусах, истории прослушивания и привычках. Рейтинги взвешивают эти предложения. Этот метод, особенно получение оценок пользователей, сложно реализовать на начальном этапе.
Смоделированы три компонента: пользователи, элементы и сопоставление пользователь-элемент. Пользовательское моделирование, состоящее из стабильных и изменчивых атрибутов, учитывает различия пользователей, такие как география, пол, возраст, интересы и музыкальные предпочтения. Это также учитывает эмоциональные состояния, такие как настроения и мнения. Интересно, что интеллект, личность и музыкальные предпочтения пользователей связаны. Например, приятность соотносится с энергичной и ритмичной музыкой.
Моделирование элементов описывает три разных типа метаданных - редакционные, культурные и акустические. Редакционные метаданные - это название альбома, музыканты, названия, жанры и т. Д. Культурные метаданные предоставляют новые тенденции прослушивания, категории и сходства между песнями. Акустические метаданные не являются лирическими и включают ритм, темп, высоту звука, инструмент и настроение.
Сопоставление «пользователь-элемент» делит слушателей на четыре группы - ученые, энтузиасты, случайные люди и равнодушные. Эти категории определяют количество музыки, которую нужно обнаружить и отфильтровать из длинного хвоста интересной, малоизвестной музыки на кривой распределения популярности песен.
Для преодоления субъективности в музыке были предложены модели, основанные на эмоциях и контексте. Эмоциональное моделирование часто использует двумерные оси валентного возбуждения для представления эмоциональных состояний при прослушивании музыки. Валентность - это то, насколько позитивна или негативна музыка, а возбуждение - насколько она возбуждает или успокаивает. При автоматическом распознавании эмоций учитываются такие характеристики восприятия, как энергия, ритм, временная и спектральная гармония.
Другая эмоциональная модель, называемая циркумфлексом, концептуализирует аффект в круге в следующем порядке: удовольствие (0 °), возбуждение (45 °), возбуждение (90 °), дистресс (135 °), неудовольствие (180 °), депрессия (225 °). ), сонливость (270 °) и расслабление (315 °) используются для измерения эмоциональных характеристик. Другая модель, MIREX, делит эмоции на 5 групп настроений, перечисленных ниже.
Контекстные модели используют Интернет, такие как данные социальных сетей - лайки, комментарии, теги, сети дружбы - из Facebook и Twitter, чтобы делать выводы о предпочтениях пользователей.
У совместной фильтрации есть 3 типа: на основе памяти, на основе модели и гибридная совместная фильтрация. Метод на основе памяти находит ближайших соседей среди смоделированных пользователей, чьи прошлые рейтинги имеют высокую корреляцию, чтобы предоставить предложения. В методе, основанном на моделях, применяются методы машинного обучения (ML), включающие вышеупомянутые модели, для прогнозирования оценок музыки пользователями. Гибридные модели являются наиболее точными, сочетающими в себе достоинства и сглаживающими недостатки различных методов.
Основные проблемы в рекомендации музыки - это предвзятость популярности и сложность субъективности. Художники, находящиеся на длинном конце кривой популярности, редко получают известность из-за недостаточного количества слушателей, а значит, и рейтингов. Предложение популярной музыки снижает риск, но ставит под угрозу персонализацию. Требуются значительные человеческие усилия для сбора пользовательских оценок и оценки точности рекомендаций путем установления фактов. Произвольные последовательности прослушивания могут озадачить модели.
Я резюмирую выше эту статью.
Больше контента на plainenglish.io
