รายละเอียดโครงงาน
หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมซอฟต์แวร์และความรู้ ปี พ.ศ. 2565
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2564
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
ป๊อปฮเวล - แอปพลิเคชันสำหรับฟังเพลงด้วยระบบแนะนำเพลงจากระบบการเรียนรู้ด้วยตนเอง
ชื่อโครงงานภาษาอังกฤษ
PopWhale - A Music Recommendation Using Machine Learning
ผู้พัฒนา
6110545546 ธัญ ธัญกิจจานุกิจ
อาจารย์ที่ปรึกษาหลัก
กฤษณะ ไวยมัย
อาจารย์ที่ปรึกษาร่วม
ธนาวินท์ รักธรรมานนท์
บทคัดย่อ
การแนะนำเพลงอัตโนมัติได้กลายเป็นเครื่องมือที่ทรงคุณค่ามากขึ้นเรื่อยๆสำหรับแฟนเพลงในการค้นหาเพลงที่พวกเขาสามารถเพลิดเพลินได้ เนื่องจากปริมาณการสตรีมเพลงเพิ่มขึ้นในช่วงไม่กี่ปีที่ผ่านมา แพลตฟอร์มแนะนำเพลงส่วนใหญ่ใช้วิธีพิจารณาการกรองร่วมกันเพื่อแนะนำเพลงตามพฤติกรรมของผู้ฟัง อย่างไรก็ตามวิธีนี้มักมีปัญหาการขาดข้อมูลของผู้ใช้อยู่เสมอ ก่อนที่ระบบแนะนำเพลงจะแนะนำเพลงให้ผู้ใช้แต่ละคน จำเป็นต้องมีข้อมูลการใช้งานจำนวนมาก ในบทความนี้เราได้เสนอให้สร้างแบบจำลองสำหรับการแนะนำเพลง ซึ่งจะแนะนำเพลงโดยอัตโนมัติจากการฟังเพลงของผู้ใช้เฉพาะราย ระบบแนะนำถูกสร้างขึ้นโดยการรวมสองระบบคือ ระบบแนะนำเพลงซึ่งแนะนำเพลงไปยังรายการเล่นเพลงของผู้ใช้เฉพาะราย และระบบการกรองประเภทของเพลงที่ระบุเฉพาะแนวเพลงที่ผู้ใช้ชอบ การใช้งานเหล่านี้จะถูกทดลองกับผู้ใช้งานจริง 30 คนโดยวัดความพึงพอใจต่อความถูกต้องของระบบแนะนำเพลง
Abstract
Automatic music recommendation has become an increasingly valuable tool for music fans to find music that they can enjoy as the amount of streaming music has increased in recent years. The majority of music recommenders use collective filtering strategies to make song suggestions based on listener actions. Nonetheless, this method is always plagued by the cold start problem. Before a recommender provides specific recommendations, it requires a substantial amount of usage data. In this paper, we propose to create a model for music recommendation which automatically predicts from music audio usage of specific user. The recommender system is created by combining two systems: a recommender system which predicts songs to the playlists of a particular user, and a filtering system that spot only the genre of music that users prefer. These implementations are experimented on 30 students by measuring their satisfaction on accuracy of the recommender system.
คำสำคัญ (Keywords)
Machine Learning, Recommender Systems, K - Nearest Neighbor, Cosine Similarity, Evidence Accumulation Clustering, Web Application, XGBoost, Music
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
ที่เก็บเวอร์ชันซอร์สโค้ด
-
สถานะการนำเข้าข้อมูล
ผู้นำเข้าข้อมูลครั้งแรก
ธัญ
ธัญกิจจานุกิจ
(b6110545546)
แก้ไขครั้งสุดท้าย
เมื่อ May 17, 2022, 1:50 p.m. โดย
ธัญ
ธัญกิจจานุกิจ
(b6110545546)
สถานะการอนุมัติ
รออนุมัติ