Godkända
Musikrekommendationer med djupinlärning
Carl Rynegardh (2012)
Start
2017-09-04
Presentation
2019-06-14 14:00
Plats:
Sal E:3139, E-huset, LTH
Avslutat:
2019-09-07
Examensrapport:
Sammanfattning
I exjobbet angriper vi problemet av att rekommendera musik utan användardata. Istället simulerar vi användare genom att göra antaganden om användares beteende. Rekommendationer sker sekventiellt, och efter varje rekommenderation genererar den simulerade användaren feedback, som används för att generera en ny rekommendation. Varje simulerad användaren har specifika feature värden som den anser är optimala. För att hitta de optimala värdena för användaren appliceras deep reinforcement learning och för att representera musik i vektorformat används en förtränad deep learning model, där features extraherats från olika lager. Resultatet av exjobbet visar på svårgiheterna att representera musik med ett fåtal dimensioner, men att deep reinforcement learning system lyckas hitta de optimala feature värdena som en simulerad användare kan tänkas gillar.
Handledare: Fredrik Edman (EIT)
Examinator: Jan Eric Larsson (EIT)