Enhanced Music Recommendation Systems: A Comparative Study of Content-Based Filtering and K-Means Clustering Approaches
Notice bibliographique
Résumé
In the dynamic landscape of digital music services, recommendation systems play a pivotal role, evolving in tandem with advances in artificial intelligence and machine learning.This research undertakes a comparative exploration of two distinct approaches to song recommendations: content-based filtering and K-means clustering.Drawing upon an extensive Spotify dataset encompassing diverse song attributes like genre, tempo, and key, the study meticulously evaluates the efficacy of personalized track recommendations.Content-based filtering tailors recommendations to users' established preferences by scrutinizing audio features such as Danceability, Energy, and Loudness.Conversely, the Kmeans clustering algorithm groups' similar songs into clusters based on shared characteristics.The primary goal is to devise a music recommendation system that impeccably aligns with user preferences.The research evaluates the performance of the Kmeans clustering approach using the Silhouette index as a metric, revealing a recommendation accuracy exceeding 99%.Notably, data analysis underscores the superior performance of the content-based filtering technique.These findings hold substantial importance for refining personalized music recommendation systems, offering valuable insights into the effectiveness of different methodologies in catering to user-specific musical tastes.This study contributes to the ongoing evolution of digital music services, providing a foundation for future advancements in enhancing user experience through precise and tailored music recommendations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».