모호한 C 평균 클러스터링 및 코사인 유사성 기반의 음악 추천 시스템

이 연구는 개인화된 음악 발견의 문제를 해결하기 위해 모호한 C-평균 클러스터링과 코사인 유사성을 결합한 음악 추천 프레임워크를 제시합니다. 전통적인 방법은 협업 필터링에 의존하지만, 종종 새로운 사용자의 "콜드 스타트" 문제에 직면하고 곡의 속성을 무시합니다. 제안된 시스템은 Spotify의 오디오 기능을 활용하여 추천의 정확성과 다양성을 향상시킵니다. 모호한 C-평균 클러스터링은 여러 클러스터에 동시에 곡을 포함하여 사용자 선호의 미세한 표현을 제공합니다. 코사인 유사성은 선택된 클러스터 내에서 추천을 정제하여 사용자가 지정한 곡의 특성과의 일치를 보장합니다. 이 모델은 사용자가 일반적으로 듣는 것과 상반된 특성을 가진 곡을 탐색하도록 유도하는 "동전의 다른 면" 기능을 도입합니다. 논문은 배경 연구, 모델 아키텍처 및 개별 사용자, 스트리밍 플랫폼 및 큐레이터에 대한 응용 프로그램을 개요합니다. 필수 라이브러리와 Flask 프레임워크를 사용하여 구현된 제안된 시스템은 더 매력적이고 개인화된 음악 발견 경험을 위한 사용자 중심 웹 응용 프로그램을 제공하는 것을 목표로 합니다. 이 연구는 기존 음악 추천 시스템의 문제에 대한 포괄적이고 혁신적인 솔루션을 제공함으로써 이 분야에 기여합니다.