Aanbevelingsalgoritmen spelen een steeds grotere rol bij de manier waarop kijkers en luisteraars programma’s, podcasts en muziek ontdekken. Nieuw wetenschappelijk onderzoek laat zien hoe zulke systemen beter onderscheid kunnen maken tussen iemands vaste voorkeuren en tijdelijk mediagedrag, terwijl tegelijk het energieverbruik van de achterliggende computersystemen kan worden teruggebracht.
Het onderzoek ML-driven large-scale heterogeneous music-traffic data analysis verscheen in het wetenschappelijke Journal of Big Data. De studie richt zich specifiek op muziekstreaming, maar behandelt problemen die ook spelen bij aanbevelingssystemen voor podcasts, radio-apps en videodiensten: hoe voorkom je dat een paar recente keuzes het complete gebruikersprofiel gaan bepalen?
De onderzoekers maken daarom onderscheid tussen lange- en kortetermijnvoorkeuren. Historisch luistergedrag wordt gecombineerd met recente keuzes. Ook het moment waarop iemand luistert kan worden meegewogen. Het systeem probeert zo beter te bepalen of iemand structureel belangstelling heeft voor bepaalde content, of bijvoorbeeld slechts tijdelijk naar een bepaald soort muziek luistert.
Dit is een Premium-artikel
Word Vriend van Spreekbuis.nl en lees dit artikel gratis.
