[Перевод] Рекомендательная система для вашего каталога научных работ (и не только!)

Привет, Хабр! Как выжать максимум из своего архива документов? В мире, где объем информации стремительно растет, найти релевантные материалы среди собственных файлов — задача не из простых. В этой статье мы расскажем, как с помощью инструментов обработки естественного языка и теории графов создать умную рекомендательную систему, которая поможет находить нужные документы: будь это научные статьи, презентации или таблицы с экспериментами и даже если они хранятся в самых разных форматах.

https://habr.com/ru/companies/otus/articles/900962/

#python #nlp #ml #machinelearning #обработка_естественного_языка #теория_графов #рекомендательная_система

Как работают алгоритмы музыкальных стримингов. Разбираем на примере

Кажется, что рекомендательный движок музыкального сервиса - это черный ящик. Берет кучу данных на входе, выплевывает идеальную подборку лично для вас на выходе. В целом это и правда так, но что конкретно делают алгоритмы в недрах музыкальных рекомендаций? Разберем основные подходы и техники, иллюстрируя их конкретными примерами. Начнем с того, что современные музыкальные сервисы не просто так называются стриминговыми. Одна из их ключевых способностей - это выдавать бесконечный поток (stream) треков. А значит, список рекомендаций должен пополняться новыми композициями и никогда не заканчиваться. Нет, безусловно, собственноручно найти свои любимые песни и слушать их тоже никто не запрещает. Но задача стримингов именно в том, чтобы помочь юзеру не потеряться среди миллионов треков. Ведь прослушать такое количество композиций самостоятельно просто физически нереально! Так как они это делают?

https://habr.com/ru/articles/806429/

#стиминг #рекомендательная_система #алгоритмы_машинного_обучения #машинное_обучение #музыка #коллаборативная_фильтрация #яндекс #яндекс_музыка #рекомендации #звук