Hibridno priporočanje glasbe z nevronskimi mrežami na grafihBevec, Matej (Avtor) Pesek, Matevž (Mentor) Tkalčič, Marko (Komentor) priporočilni sistemi za glasbonevronske mreže na grafihhibridni priporočilnikivložitveOdkar so poslušalske platforme, kot je Spotify, postale prevladujoče sredstvo glasbene potrošnje, se le te zanašajo na priporočilne sisteme, da uporabnike pomagajo usmerjati po svojih vse obsežnejših glasbenih zbirkah. V preteklosti so bile pri tej nalogi najuspešnejše metode sodelovalnega filtriranja (angl. collaborative filtering, CF), ki izkoriščajo pretekle interakcije med uporabniki in artikli. Vseeno pa te metode niso brez pomanjkljivosti. Pogosto so npr. znatno manj uspešne med slabše poznanimi artikli z le malo podatki o interakcijah. Nasprotno modeli, ki temeljijo na vsebini, ta problem popolnoma zaobidejo, saj tvorijo priporočila izključno na osnovi vsebine artiklov (npr. zvočnega signala skladb), vendar pa take metode še niso primerljivo zmogljive. Strojno učenje z grafi --- rastoče področje, ki prekaša pretekle pristope v mnogih domenah --- morda lahko naslovi tudi tukajšno nalogo. Zlasti najnovejše metode, nevronske mreže na grafih (angl. graph neural networks, GNN), obljubljajo, da lahko učinkovito izkoristijo tako uporabniške informacije v obliki grafa kot tudi vsebino in tako generirajo hibridna priporočila. V pričujočem delu sodoben algoritem GNN, PinSage, v vlogi hibridnega priporočilnika apliciramo na javne podatke platforme Spotify. Algoritem naučimo na novem grafu vključenosti skladb v seznamih predvajanja in ga evalviramo v primerjavi z metodami na osnovi vsebine, matričnimi metodami CF in metodami CF na osnovi grafov, pri čemer obravnavamo tudi kriterije onkraj natančnosti (angl. beyond accuracy objectives). Naši eksperimenti kažejo sledeče. Implementirani algoritem je med najuspešnejšimi in izstopa kot najbolj robusten. Metode CF na osnovi grafov so bistveno boljše od matričnih metod CF, kar nakazuje, da je uporabniške informacije bolje predstaviti kot graf. V okviru evalvacijske naloge metode CF ne kažejo padca učinkovitosti v dolgem repu, kjer hibridni pristop posledično ne ponuja prednosti. Na podlagi rezultatov zaključimo, da je strojno učenje z grafi obetavna nova paradigma priporočanja glasbe, ki pa zahteva nekatere nadaljnje raziskave.20222022-08-29 11:50:00Diplomsko delo/naloga139043sl