Imagen original, con componentes tomados de https://www.scdn.co/i/_global/open-graph-default.png, https://www.pinterest.com/pin/360569513908100423/, y http://clipart-library.com/clip-art/drake-transparent-png-18.htm

En el siguiente post podéis encontrar de manera muy detallada los pasos seguidos para realizar un recomendador de contenidos para vuestros gustos musicales: By Ben Alexander, Jean-Peic Chou, and Aman Bansal for Stanford CS224W.

A modo resumen, en el post anterior, aprenderemos a utilizar Graph Neural Networks (LightGCN) para realizar recomendaciones musicales con el set de datos de Spotify Million Playlist Dataset Challenge. El conjunto de datos contiene 1 millón de listas de reproducción creadas por los usuarios en la plataforma Spotify entre enero de 2010 y octubre de 2017. El objetivo es recomendar canciones que deberían añadirse a cada lista de reproducción. La métrica principal que se utiliza en el articulo es recall@k.

Este artículo ayuda a ver el poder de las Graph Neural Networks, y a entender cómo lo podemos implementar nosotros mismos. Hay muchos problemas de grafos interesantes que explorar, y herramientas como PyG han hecho que esto sea más fácil que nunca.
En el conjunto de datos propuesto, logra un buen rendimiento en términos de métricas como recall@k. También se analizan embeddings y que permitará separar las listas de reproducción de country de las que no lo son, agrupar todas las canciones de Drake en la misma región general e incluso de diferenciar los inicios de la carrera country de Taylor Swift de su posterior carrera pop, ¡sin ninguna supervisión humana adicional!

Si tras ver el post anterior, sigues interesado en más detalle puedes consultar los materiales que la Stanford facilita en el curso CS224W.