ddzina/find-similar-artists

Поиск похожих артистов на данного

Установка и запуск

Клонирование репозитория

Клонируйте репозиторий в удобную папку и перейдите в нее:

git clone https://github.com/ddzina/find-similar-artists.git

Создайте окружение anaconda или venv:

Anaconda environment

Создайте и активируйте виртуальное окружение:

conda create -n name
conda activate name

Установите pip:

conda install pip

Venv

Создайте и активируйте виртуальное окружение:

python -m venv name
source name/bin/activate (Linux)
venv\Scripts\activate.bat (Windows)

Установите зависимости:

pip install -r requirements.txt

Запуск

Запустите приложение:

python main.py

Описание проделанной работы:

Для определения похожих артистов был использован метод коллаборативной фильтрации.

• Сначала формируется словарь из пользователей и значений scrobbles для каждого артиста.
• Scrobbles интерпретируются как мера интереса к артисту: больше - лучше.
• Получив на вход имя артиста, ищем "самого преданного" фаната - пользователя с наибольшим scrobbles для данного артиста.
• Затем находим схожих пользователей, используя меру близости - косинусное расстояние между векторами scrobbles.
• Умножаем значение scrobbles на меру для каждого пользователя, чтобы более похожие пользователи сильнее влияли на результат.
• Далее для всех артистов считаем сумму данных произведений (откалиброванных мер) и делим на сумму мер для выбранных пользователей, тем самым нормируя значения коэффицентов релевантости для артистов.
• Сортируем артистов по убыванию данного коэффицента и получаем наиболее похожих артистов на введенного. Profit!

Описание файлов в проекте

• collaboration.ipynb - "черновик", файл, в котором писался и тестировался код
• funcs.py - файл с основными функциями, реализующими всю логику
• main.py - исполняемый файл

Пример работы программы

https://drive.google.com/file/d/17o4n46WMeFN5y6myjgm8G2Fb-KmV2xYa/view?usp=share_link

Мысли и идеи по решению подобных задач

• Для решения подобной задачи можно было хранить данные в виде разреженной матрицы и выполнять операции над ее столбцами и строками
• Можно кластеризовать схожих пользователей и строить рекомендации для кластеров, я не строил кластеры, а решил пойти от рекомендаций для самого преданного фаната
• Можно использовать другие меры сходства, например, корелляцию