Erweiterte Analytik mit PySpark

Kapitel 3. Musikempfehlungen und der Audioscrobbler-Datensatz

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Die Empfehlungsmaschine ist eines der populärsten Beispiele für maschinelles Lernen im großen Stil; zum Beispiel ist den meisten Menschen die von Amazon bekannt. Es ist ein gemeinsamer Nenner, weil Empfehlungsmaschinen überall zu finden sind, von sozialen Netzwerken über Videoseiten bis hin zu Online-Händlern. Wir können sie auch direkt in Aktion beobachten. Wir sind uns bewusst, dass ein Computer die Titel auswählt, die auf Spotify gespielt werden sollen, genauso wie wir nicht unbedingt bemerken, dass Gmail entscheidet, ob eine eingehende E-Mail Spam ist.

Der Output eines Recommenders ist intuitiv verständlicher als andere maschinelle Lernalgorithmen. Es ist sogar aufregend. Auch wenn wir glauben, dass Musikgeschmack etwas Persönliches und Unerklärliches ist, können Empfehlungsprogramme erstaunlich gut Titel identifizieren, von denen wir nicht wussten, dass sie uns gefallen würden. In Bereichen wie Musik oder Film, in denen Empfehlungsprogramme häufig eingesetzt werden, ist es vergleichsweise einfach zu erklären, warum ein empfohlenes Musikstück zur Hörgeschichte einer Person passt. Nicht alle Clustering- oder Klassifizierungsalgorithmen passen zu dieser Beschreibung. Ein Support-Vector-Machine-Klassifikator zum Beispiel besteht aus einer Reihe von Koeffizienten, und selbst für Praktiker/innen ...