Введение 6
Глава 1 Анализ состояния вопроса 9
1.1 Характеристики рекомендательных систем 9
1.2 Анализ алгоритмов рекомендательных систем 10
1.3 Анализ данных музыкальных произведений и постановка требований к
рекомендательной системе 16
Глава 2 Проектирование рекомендательной системы музыкальных произведений 20
2.1 Масштабирование данных музыкальных произведений 20
2.2 Использование алгоритма K-Means для кластеризации музыкальных
произведений 22
2.3 Алгоритм KNN для нахождения сходства между предметами
рекомендаций 27
2.4 Алгоритм рекомендательной системы 30
Глава 3 Реализация рекомендательной системы музыкальных произведений 33
3.1 Выбор программных средств 33
3.2 Программная реализация рекомендательной системы 34
3.3 Тестирование 40
Заключение 47
Список используемой литературы и список используемых источников 48
Рекомендательные системы - это системы машинного обучения, которые помогают пользователям находить новые продукты и услуги. Вместо того, чтобы предлагать потенциальному клиенту или пользователю опыт, в котором он сам ищет продукт или интересующую услугу, рекомендательные системы определяют рекомендации на основе других объектов или пользователей со схожими интересами. Каждый раз, когда пользователь делает покупки в интернете, система его направляет к более предпочтительному товару [3].
Сегодня рекомендательные системы являются одной из важных особенностей современного мира, так как пользователи часто перегружены выбором товаров и услуг и нуждаются в более удобном способе поиска того, что они ищут [3].
В сфере Data Science, рекомендательные системы являются одной из самых популярных тем на сегодняшний день. Они используются для предсказания рейтинга или предпочтения, которое пользователь дал бы предлагаемому элементу. Почти каждая крупная компания применяла рекомендательные системы в той или иной сфере. В простейшем виде, персонализированные рекомендательные системы представлены в виде ранжированных списков элементов. При выполнении этого ранжирования, рекомендательная система пытается предсказать, какие элементы наиболее важны для пользователя.
Элемент - это общий термин, используемый для описания того, что система рекомендует пользователям. Обычно рекомендательные системы фокусируют на конкретных типах элементов и, соответственно, его атрибутах, дизайне, графическом пользовательском интерфейсе, и основная методика рекомендаций, которая используется для генерации рекомендаций. Методика рекомендаций в каждом отдельном случае настраивается таким образом, чтобы обеспечить максимальную полезность и эффективность предложения для конкретного типа элементов [3].
Данная бакалаврская работа направлена на реализацию рекомендательной системы музыкальных произведений с использованием алгоритмов машинного обучения.
Объектом исследования ВКР является алгоритм рекомендательной системы музыкальных произведений.
Предметом исследования ВКР являются персональные рекомендации музыкальных треков на основанные на интересах пользователя.
Целью работы является реализация персональной рекомендательной системы, где пользователь на основе его списка понравившихся элементов (музыкальных треков) может получить другие предпочтительные.
Для достижения поставленной цели необходимо:
- определить характеристики рекомендательной системы и провести анализ алгоритмов вынесения рекомендаций;
- выбрать алгоритм вынесения рекомендаций;
- выбрать средства проектирования и разработки;
- определить набор данных для рекомендательной системы;
- спроектировать рекомендательную систему;
- разработать программный модуль вынесения рекомендаций;
- оценить достоверность рекомендаций разработанного алгоритма.
В первой главе выполнялись следующие задачи:
- описаны характеристики и цели рекомендательной системы;
- описаны методы вынесения рекомендаций;
- произведен обзор входных данных музыкальных произведений;
- описаны требования к рекомендательной системе.
Во второй главе производилось:
- описание методов предварительной обработки данных;
- описание алгоритма кластеризации K Means для кластеризации музыкальных произведений и их жанров;
- описание алгоритма машинного обучения K-ближайших соседей для нахождения сходств с использованием метрики косинусного сходства.
В третьей главе:
- были представлены технологии для реализации рекомендательной системы;
- произведено подключение зависимостей и входных данных;
- представлен программный код рекомендательной системы;
- произведена оценка производительности и достоверности рекомендательной системы.
В ходе работы, была разработана рекомендательная система музыкальных произведений, реализующая персональные рекомендации, основанные на контенте (на атрибутах рекомендуемых элементов).
Разработанная рекомендательная система, позволит пользователю получать рекомендации на основе своих музыкальных предпочтений.
Выпускная квалификационная работа посвящена реализации и анализу рекомендательной системы. Предметами рекомендаций являются треки музыкальных данных. Были выполнены следующие цели:
- были определены атрибуты объектов рекомендаций и описаны характеристики рекомендательных систем;
- был проведен анализ существующих алгоритмов вынесения рекомендаций;
- в качестве алгоритма музыкальной рекомендательной системы, был сделан выбор в сторону рекомендательной системы, основанной на содержимом;
- был представлен алгоритм музыкальной рекомендательной системы - в качестве основы были взяты такие алгоритмы машинного обучения, как K Means и KNN;
- была представлена программная реализация рекомендательной системы, после чего было произведено тестирование производительности и анализ влияния метрики расчета сходства на рекомендации.
Разработанную рекомендательную систему лучше всего использовать на сервере, так как серверной части приложения рекомендательная система может получать доступ к базе данных, хранящихся там музыкальных произведений и их атрибутам. Использование рекомендательной системы на клиентской части приложения не рекомендуется, так как вычисления могут занимать много времени и сильно нагружать устройство пользователя.
Рекомендательная система не рекомендует элементы, которые были получены от пользователя, и получает объекты, на основе которых будут выноситься рекомендации в виде JSON-объекта.
