СИСТЕМА МУЗЫКАЛЬНЫХ РЕКОМЕНДАЦИЙ НА ОСНОВЕ КОНТЕНТНОЙ ФИЛЬТРАЦИИ

Изначально была задумана реализация коллаборативной фильтрации, однако эта задача оказалась сложной из-за недостатка данных. Отсутствие достаточного объема пользовательских взаимодействий и оценок не позволило эффективно применить этот метод. Вместо этого была выбрана контентная фильтрация, которая, несмотря на свои ограничения, продемонстрировала высокую эффективность и надежность в условиях доступных данных.

В ходе выполнения данной курсовой работы была успешно разработана и внедрена система музыкальных рекомендаций, основанная на методе контентной фильтрации машинного обучения. Основной целью работы стало создание эффективно функционирующего инструмента, способного предлагать пользователям персонализированные рекомендации на основе их музыкальных предпочтений.

Реализованные функциональные требования отражают современные тенденции в разработке программных систем. Система продемонстрировала безупречную работу рекомендательных алгоритмов, что позволило пользователям легко получать релевантные музыкальные рекомендации. Графический интерфейс был создан с акцентом на эстетику, удобство навигации и гибкость, что значительно улучшает пользовательский опыт при взаимодействии с приложением.

Достигнутые результаты, включая высокие показатели точности, полноты и F1-меры, свидетельствуют о надежности разработанной системы. Подтверждение всех метрик на уровне 1.00 демонстрирует способность системы точно соответствовать интересам пользователей, что является ключевым критерием успеха в контексте музыкальных рекомендаций.

Тем не менее, необходимо учитывать потенциал переобучения модели и обеспечить дальнейшее тестирование на разнообразных наборах данных. Это поможет повысить объективность оценок и адаптировать систему к изменяющимся предпочтениям пользователей и новым музыкальным трендам. Несмотря на достигнутый высокий уровень знакомства с музыкальным контентом, важно продолжать работать над универсальностью и адаптивностью модели, что в долгосрочной перспективе позволит поддерживать высокий уровень релевантных рекомендаций.

Сравнивая полученные результаты с существующими системами, можно отметить, что многие современные музыкальные платформы используют комбинацию методов для точной настройки рекомендаций. Эта же система, сосредоточенная на контентной фильтрации, предоставляет удобный способ для пользователей открывать новых исполнителей и жанры, с которыми они могут быть незнакомы. Использование современных библиотек машинного обучения также позволило добиться хорошей производительности, что является важным аспектом масштабирования системы.

В будущем следует рассмотреть возможность интеграции коллаборативной фильтрации, когда данные пользователей станут более обширными. Применение глубокого обучения для обработки музыкальных данных представляется интересным направлением, так как это может улучшить качество рекомендаций за счет более сложных моделей анализа. Автоматизация сбора данных о предпочтениях пользователей из социальных сетей и других платформ поможет в создании более точных профилей пользователей.

Таким образом, разработанная система музыкальных рекомендаций успешно выполняет поставленные требования и закладывает основу для дальнейших улучшений и оптимизаций. Результаты данной работы открывают новые горизонты в использовании методов машинного обучения в музыкальной индустрии и подтверждают, что такой подход имеет значительный потенциал для улучшения пользовательского опыта в сфере развлечений. Этот проект может стать основой для будущих исследований и разработок в области музыкальных технологий.

1.         Рекомендательные системы в музыкальных стримингах. URL: https://vc.ru/u/617771-aleksandr-yudin/275145-rekomendatelnye-sistemy-v-muzykalnyh-strimingah

2.         Система рекомендаций по музыке с использованием машинного обучения. URL: https://www.geeksforgeeks.org/music-recommendation-system-using-machine-learning/

3.         Документация Streamlit. URL: https://docs.streamlit.io/

4.         Рекомендательные системы: машинное обучение. URL: https://sky.pro/wiki/python/rekomendatelnye-sistemy-mashinnoe-obuchenie/

5.         Учебное пособие по диаграмме использования. URL: https://online.visual-paradigm.com/diagrams/tutorials/use-case-diagram-tutorial/

6.         Spotify Tracks Dataset.

URL: https://www.kaggle.com/datasets/maharshipandya/-spotify-tracks-dataset

7.         Косинусное сходство.

URL:https://scikitlearn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_similarity.html

8.         Рекомендательная система подбора музыкальных композиций. URL:https://cyberleninka.ru/article/n/rekomendatelnaya-sistema-podbora-muzykalnyh-kompozitsiy/viewer

9.         Введение в рекомендательные системы.

URL: https://education.yandex.ru/handbook/ml/article/intro-recsys

10.     Как работают рекомендательные системы. URL: https://neurohive.io/ru/osnovy-data-science/rekomendatelnye-sistemy-modeli-i-ocenka/