Рекомендательные системы

Важная задача музыкальных рекомендаций — поиск неизвестных пользователю треков, которые ему понравятся. Эту задачу решают модели, анализирующие явный фидбэк пользователя. Явным фидбэком мы считаем события like или dislike, поставленный треку. Play и skip также используются в рекомендациях, но они дают меньше информации о предпочтениях пользователя. Кроме того, гораздо важнее найти трек, которому пользователь поставит лайк, чем трек, который пользователь просто послушает. В этой задаче вам нужно по предыдущим лайкам предсказать следующий трек, которому пользователь поставит лайк.

Анализ аудиоконтента

На первый взгляд, задача предсказания исполнителя трека выглядит легкой, так как кажется, что исполнитель изначально известен. Но не все так просто. Во-первых, есть задача разделения одноименных исполнителей. Когда в каталог поступает новый релиз, нужно сопоставить его исполнителя с теми, что уже есть в нашей базе, поэтому для одноименных исполнителей возникает неоднозначность. Во-вторых, предсказывая исполнителей по аудио, мы неявным образом получаем модель, которая выучивает схожесть исполнителей по звучанию, и это тоже может быть полезным.