Skip to content

junseublim/Kakao-melon-recommendation

Repository files navigation

k-최근접 이웃 알고리즘을 활용한 Melon Playlist Continuation

한양대학교 인공지능 동아리 HAI 추천팀 소속으로 카카오 아레나에서 진행한 Melon Playlist Continuation 대회를 위해 개발한 추천 시스템입니다.

최종 스코어 0.289624(곡nDCG: 0.269720, 태그nDCG: 0.402414)로 2021 4월 29일 기준 플레이그라운드 리더보드 기준으로 1위, 실제 대회 리더보드 기준으로는 21위에 위치하였습니다.

🔍 개요

🏆 대회 개요

플레이리스트에 수록된 곡과 태그의 절반 또는 전부가 숨겨져 있을 때, 주어지지 않은 곡들과 태그를 예측하는 것을 목표로 하는 대회입니다. 만약 플레이리스트에 들어있는 곡들의 절반을 보여주고, 나머지 숨겨진 절반을 예측할 수 있는 모델을 만든다면, 플레이리스트에 들어있는 곡이 전부 주어졌을 때 이 모델이 해당 플레이리스트와 어울리는 곡들을 추천해 줄 것이라고 기대할 수 있을 것입니다.

대회에서 제공하는 데이터는 아래와 같습니다.

  • 플레이리스트 메타데이터
    • 플레이리스트 제목
    • 플레이리스트에 수록된 곡
    • 플레이리스트에 달려있는 태그 목록
    • 플레이리스트 좋아요 수
    • 플레이리스트가 최종 수정된 시각
  • 곡 메타데이터
    • 곡 제목
    • 앨범 제목
    • 아티스트명
    • 장르
    • 발매일
  • 곡에 대한 Mel-spectrogram

📊 모델 개요

이 모델은 Efficient K-NN for Playlist Continuation (RecSys'18 Challenge) 논문을 기반으로 개발하였습니다. 다만 제공되는 데이터가 다르다는 점, 채점 기준이 다르다는 점을 참고하여 모델을 대회 목표에 알맞게 수정하였습니다.

이모델은 K개의 유사한 플레이리스트를 구하고 그 플레이리스트에 수록된 곡에 점수를 부여하여, 가장 점수가 높은 100개의 곡을 추천하는 모델입니다.

플레이리스트간의 유사도 구하기

플레이리스트간의 유사도는 코사인 유사도를 이용하여 구하였습니다. 코사인 유사도는 내적공간의 두 벡터간 각도의 코사인값을 이용하여 측정된 벡터간의 유사한 정도를 의미하며, -1에서 1의 값을 가집니다. 1에 가까울 수록 유사하다고 판단할 수 있습니다.

따라서, 두 플레이리스트간의 유사도는 다음과 같이 구할 수 있습니다.

이대로 가장 점수가 높은 플레이리스트들을 구할 수 있겠지만, 정확도를 높이기 위해 다음과 같은 작업을 하였습니다.

1. 곡에 weight 주기

일반적으로 유명한 곡들은 여러 플레이리스트에 자주 등장합니다. 이러한 곡들은 두 플레이리스트간의 유사도를 예측하는데에 그리 큰 도움이 되지 않습니다. 반대로 등장 빈도수가 낮은 곡이 두 플레이리스트에 모두 등장한다면, 이는 이 두 플레이리스트가 유사하다고 예측하는데에 많은 도움을 줍니다. 그래서 곡에다가 빈도수를 이용하여 weight을 주고, 이를 두 플레이리스트간의 유사도를 구할때 곱해줍니다.

2. Amplification

플레이리스트간의 유사도를 구한 후, 유사도 점수를 증폭시키는 작업을 하였습니다. 이는 더 유사한 플레이리스트들의 중요도를 더 강조하고 더 정확한 곡들을 추천하기 위한 작업이었습니다.

이 두가지 작업을 한 후, 정확도가 눈에 띄게 상승하는 것을 확인 할 수 있었습니다.

곡 추천

이제, 플레이리스트간의 유사도를 사용하여 곡들과 태그를 추천하였습니다. 우선 최종적으로 유사도가 가장 높은 1500개의 플레이리스트를 구하고, 각 플레이리스트에 등장하는 곡들에게 점수(그 곡의 속한 플레이리스트의 유사도 점수)를 부여하였습니다.

그후, 최종적으로 점수가 가장 높은 100개의 곡을 추천하였습니다.

🛠 How To Run

res 폴더 안에 데이터들을 넣어 놓고 진행합니다.
컴퓨터 성능에 따라 소요 시간이 다릅니다만 저는 약 2시간 정도 걸렸습니다.
진행이 완료되면 res 폴더에 answer.json 파일이 생성됩니다.

$> pip install -r requirements.txt
$> python knn-recommendation.py

Releases

No releases published

Packages

No packages published

Languages