gdstudio-org/Embeat
Content-based music recommendation system, training on Spotify 45M tracks & 1.8M playlists. (Spotify track ID / ISRC in, similar songs out)
何を解決するか
Embeatは、音楽の聴き方（音の特徴）とユーザーの実際の好み（協調フィルタリング）を組み合わせることで、高品質な音楽推薦の課題に対処します。特に、さまざまな言語やジャンルにおけるヒット曲とニッチな長尾曲の両方に対して安定した推薦を提供することを目指しています。
動作方法
このシステムは、シードトラックに基づいて推薦を生成するマルチチャネルリコール戦略を使用しています：
- 音響特徴のエンコーディング：
EmbeatMLPモデルはSpotifyの音響特徴（テンポ、エネルギー、ムードなど）を64次元のベクトルにエンコードし、音が似ている楽曲を検出します。 - 協調フィルタリング：
Track2Vecモデル（Word2Vec Skip-Gramに基づく）は数百万のプレイリストを分析し、共起パターンを学習することで、人々が自然に一緒にグループ化する楽曲を特定します。 - ジャンルの統合：6,000以上のマイクロジャンルタグを使用して、ニッチな音楽の正確な扱いを確保します。
- マルチチャネルリコール：5つのチャネル（音響類似性、同ジャンルの人気度、同一アーティスト、類似アーティスト、プレイリスト協調フィルタリング）から推薦を収集します。これらの結果は重複除去され、再ランク付けされて最終出力となります。
対象ユーザー
音楽発見アプリの開発者や、音響特徴エンコーディングおよび音声コンテンツ向け協調フィルタリングに興味を持つ研究者向けに設計されています。
特徴
- ハイブリッドアプローチ：音響特徴用の二重タワーMLPとユーザー行動用のSkip-Gramモデルを組み合わせます。
- 高いパフォーマンス：盲検LLM評価においてNetease Cloud Musicと比較して84–95%の高い勝率を主張しています。
- 効率的なデプロイ：2GB以上のRAMを持つVPSなど、低RAM環境でも動作可能で、応答時間は30–200msと高速です。
- 豊富なデータ：4500万曲のデータセットと、ベクトル検索用に事前構築されたQdrantデータベースを提供しています。
関連
- プロジェクト
- プロジェクト
- プロジェクト
- プロジェクト