Optimization of recommender system algorithms

Abstract

Данная работа посвящена практической реализации алгоритмов рекомендательной системы в музыке. Рассматриваются алгоритмы коллаборативной фильтрации, создающие списки рекомендаций, основанные на взаимодействиях пользователей с различными объектами. Затем полученные в результате их применения модели сравниваются по метрикам, характеризующим количество релевантных треков для каждого пользователя, насколько они находятся наверху списка рекомендаций и среднюю популярность полученного списка. Рекомендованные композиции должны выбираться из не прослушанных пользователем ранее, соответствовать его предпочтениям, а также быть предложены из числа наименее популярных треков.

This diploma is devoted to the practical implementation of recommender system algorithms in music. Сollaborative filtering algorithms, generating recommendation lists based on user interactions with various objects, are considered. Then the resulting models are compared according to metrics characterizing the number of relevant tracks for each user, how far they are at the top of the list of recommendations, and the average popularity of the resulting list. Recommended compositions should be selected from the ones not previously listened to by the user, correspond to his preferences, and also be offered from among the least popular tracks.