УДК 004
Корзников М.А.
студент 4 курса САФУ Северный (Арктический) федеральный университет (г. Архангельск, Россия)
ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ НЕЙРОСЕТЕЙ ДЛЯ СОСТАВЛЕНИЯ МУЗЫКАЛЬНЫХ ПЛЕЙЛИСТОВ
Аннотация: данная статья обрисовывает эволюцию и инновации в методах рекомендательных систем, включая коллаборативную фильтрацию, использующую данные о поведении пользователей для предсказания предпочтений., ОЕЯ для анализа интернет-содержания, с целью понимания обсуждений артистов и песен, и аудиоанализ с использованием специального алгоритма на базе нейронных сетей, а также предлагает будущую модель рекомендаций на основе нейросетей и анализа наиболее популярного контента.
Ключевые слова: рекомендательные системы, коллаборативная фильтрация, интересы пользователей, поведение пользователей, группировка пользователей, компьютерные модели.
На сегодняшний день, главным подходом к построению рекомендательных систем является коллаборативная фильтрация — технология прогнозирования предпочтений пользователя с учетом интересов других посетителей интернет-ресурса. [1] При коллаборативной фильтрации используется информация о поведении всех пользователей в прошлом. Система делит пользователей на группы по схожим интересам и затем рекомендует им то, что просматривали (покупали, заказывали) другие люди из этого сегмента. Такие зависимости очень сложно явно запрограммировать, но, зато, с этой задачей замечательно справляются компьютерные модели.
Обработка естественного языка (ОЕЯ) для анализа информации о объекте на просторах интернета. [2] Это делается для того, чтобы понять, что и какими словами говорят люди о конкретном артисте или песне. Кроме того, сервис смотрит, какие еще артисты и песни всплывают в таких описаниях. Каждый исполнитель и песня имеют тысячи особенностей, которые меняются ежедневно. Каждая особенность имеет определенную значимость, которая корректируется в соответствии с ее релевантностью — вероятностью того, что кто-то опишет музыку или исполнителя этим словом.
Аудио модели, которые анализируют аудиофайлы. Специально для данного сервиса был разработан алгоритм на основе сверхточных нейронных сетей, который обрабатывает аудиофайл и на выходе система имеет такие характеристики, как его размер, гармония, форма, темп и громкость. Считывание ключевых характеристик тех или иных песен позволяет понять фундаментальную схожесть между различными треками. Проход через каждый слой дает программе небольшой срез данных, которые на финальном слое объединяются в единый массив информации.
В заключение следует сказать, что большинство рекомендательных систем анализируют именно последние действия пользователя. Но если система будет подбирать рекомендации не на основе последних объектов, а на основе часто используемых объектов. [3] Тогда она сможет лучше прогнозировать следующий лучший трек или плейлист для каждого индивидуального пользователя и в режиме реального времени рекомендовать подходящее. Такая модель будет строится на основе нейросетей прямого распространения, рекомендации будут составляться раз в неделю, и система будет анализировать наиболее часто прослушиваемые треки пользователем за неделю, обучая на них модель, для выдачи конечному пользователю итогового результата, то есть каждую неделю, модель будет обучаться заново, на основе полученных данных.
СПИСОК ЛИТЕРАТУРЫ:
1. Deep Systems «Разработка рекомендательной системы общего назначения на основе глубокого обучения». [Электронный ресурс]. - Режим доступа: URL -https://vc.ru/marketing/250931-rassvet-rekomendatelnyh-sistem-na-baze-deep-leaming
2. Академия Яндекс «Как устроены рекомендации Музыке». [Электронный ресурс]. - https://academy.yandex.ru/posts/kholodnye-polzovateli-i-mnogorukie-bandity
3. Выборочное наблюдение: понятие, виды, ошибки выборки, оценка результатов. Примеры решения задач [Электронный ресурс]: ekonomika-st.ru [сайт] - Режим доступа: http://www.ekonomika-st.ru/drugie/metodi/metodi-statistika-1-5.html
Korznikov M.A.
4th year student of NArFU Northern (Arctic) Federal University (Archangelsk, Russia)
APPLICATION OF NEURAL NETWORK TECHNOLOGIES FOR MAKING MUSIC PLAYLISTS
Abstract: this article outlines the evolution and innovations in the methods of recommendation systems, including collaborative filtering, which uses data on user behavior to predict preferences., OEIfor analyzing Internet content, in order to understand discussions of artists and songs, and audio analysis using a special algorithm based on neural networks, and also suggests a future model of recommendations based on neural networks and analysis of the most popular content.
Keywords: recommendation systems, collaborative filtering, user interests, user behavior, user grouping, computer models.