Комментарии 6
Не совсем ясна постановка задачи. Что даёт пользователю рекомендация? Пытаться спрогнозировать то, что может понравиться? Не вполне корректная постановка вопроса. Мы далеко не всегда слушаем то, что нравится. Мы познаём мир. Желательно, познавать его в цветущем многообразии. Оценка нравится/не_нравится — это, лишь, некая оценка, дающаяся постфактум. Попытаться нарисовать потрет слушателя — хорошая задача. Но это потребует дополнительного анкетирования. И тут сам процесс подсчётов может оказаться важнее основного процесса (прослушивания музыки). Помниться, ещё Педро Домингес говорил в аналогичной ситуации (может быть, и по отношению к тому же Spotify), что самим разработчикам потребовалось 400 различных параметров, чтобы рекомендательная система давала хоть какие-то удовлетворительные результаты.
здесь судя по всему ищется ближайший сосед в пространстве возбуждение-валентность
Отличная статья, интересная, однако если мы говорим про рекомендации, то нам нужны оценки. На сколько точно наша гипотеза и модель попадает в ожидания пользователя?
Как насчет "фильтрации по теории музыки": тональность, гамма, гармония (диатоническая/хроматическая/полимодальная/центрального созвучия/...), музыкальная форма?...
У "товара" есть "характеристики" по которым можно фильтровать (для некоторых потребителей ведь важно из какого материала крестовина кресла и есть ли глютен в смузи). Понимаю, что на первых порах это подход для "сведущих", но он даст, как минимум, два следствия:
учет по большему числу признаков (а, следовательно, и анализ предпочтений);
повышение уровня обознанности (как о "товаре", так и о своих "вкусах").
Пишем систему рекомендаций музыки на основе ML