Doporučování hudby

Abstract

Tato práce se zabývá problematikou personalizovaného doporučování hudebních skladeb posluchačům. Jsou zde představeny přístupy využívané v současnosti, zejména metody kolaborativního filtrování. Důraz je kladen na zpracování časových informací o jednotlivých akcích uživatelů a jejich využití pro zkvalitnění doporučovacích systémů. Nejdůležitější částí je rozbor modelů predikujících aktivitu uživatelů. Je zde porovnána přesnost a výkonnost jednotlivých řešení i s ohledem na jejich využitelnost v praxi. Práce obsahuje výsledky experimentálního vyhodnocení představených metod nad daty reálných uživatelů.

This thesis deals with the field of personalized recommendation of music. Modern approaches are described and analyzed, especially the methods of collaborative filtering. The main focus is the processing of temporal dimension data of user actions and its usage to improve recommendation systems. The most important part is the analysis of models predicting the activity of users. Prediction accuracy and efficiency of solutions are compared with emphasis on the usability in practice. This thesis contains experimental results of presented methods tested on real-world data.