Original title: Předpovídání chování posluchačů streamovacích služeb
Translated title: Predicting the Behaviour of Streaming Services Users
Authors: Stachura, Šimon ; Pilát, Martin (advisor) ; Peška, Ladislav (referee)
Document type: Master’s theses
Year: 2021
Language: cze
Abstract: [cze] [eng]
Název práce: Předpovídání chování posluchačů streamovacích služeb Autor: Bc. Šimon Stachura Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí diplomové práce: Mgr. Martin Pilát, Ph. D. Abstrakt: Streamovací služby jsou fenoménem posledního desetiletí, který umožnil legální přístup k online médiím obrovskému počtu diváků. Tato média jsou obvykle uživatelům poskytována ve formě sekvence generované technikami z oblasti doporučovacích systémů. Uživatelské preference se zpravidla odhadují zejména na základě předchozího chování během využívání služby. Jedním ze základních signálů, který vyjadřuje, jestli je uživatel nespokojený s generovaným obsahem, je přeskakování jeho jednotlivých částí (např. skladeb). Cílem této práce je prozkoumat možnosti predikce uživatelského chování z předchozí zkušenosti. Na základě vybraného rozsáhlého datasetu, obsahujícího reálná data z užívání služby Spotify, jsme zvážili možnosti předzpracování a reprezentace dat. Pro modelování jsme se rozhodli využít rekurentních neuronových sítí s architekturou Encoder-Decoder, které kódují data o uživatelském chování do kompaktní vektorové reprezentace, z níž generují interakce v následujícím časovém okamžiku. Vytvořili jsme model navazující na již existující řešení, který predikuje kompletní uživatelské interakce v rámci... Title: Predicting the Behaviour of Streaming Services Users Autor: Bc. Šimon Stachura Department: Katedra teoretické informatiky a matematické logiky Supervisor: Mgr. Martin Pilát, Ph. D. Abstract: Streaming services are one of the phenomena of the last decade, allowing online legal access to media for a large number of users. The media is usually provided to the users as an automatically generated sequence, created by some form of a recommender system. The preferences of individual users are usually estimated based on historical data from their previous usage of the service. Skipping behaviour on individual elements of the generated sequence (songs, for instance) is one of the basic signals expressing these preferences. Goal of this work is to predict users' behaviour based on their previous experience with the service. We chose a large dataset consisting of real data from usage of the Spotify service, and considered options for preprocessing and representing them. We decided to use recurrent neural networks with the Encoder-Decoder architecture for modelling the behaviour of the users. These models encode the information about users' historical behaviour into a compact inner representation of the session, and based on that representation they generate expected behaviour in the next time steps. We created...
Keywords: machine learning; recurrent neural networks; streaming services; rekurentní neuronové sítě; streamovací služby; strojové učení

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/124654

Permalink: http://www.nusl.cz/ntk/nusl-438045


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses