Будучи энтузиастом науки о данных и студентом, я взял на себя ответственность погрузиться в некоторые из моих любимых приложений и сервисов, чтобы увидеть, как они внедряют науку о данных в свой бренд. Первым в моем списке фаворитов является Spotify . Spotify, конечно же, является огромным сервисом потоковой передачи музыки и подкастов, и он признал важность внедрения науки о данных для улучшения пользовательского опыта и понимания поведения потребителей. Системы рекомендаций..

После четырех замечательных лет в Spotify, что было очень трудным решением, я решил покинуть Spotify на прошлой неделе. Spotify — один из самых заботливых работодателей, и я преисполнен благодарности за богатый опыт, который он дал мне за эти годы. Потратив годы на изучение поиска и информационного поиска во время моей докторской диссертации, Spotify дал мне возможность немного изменить свое исследование и сосредоточиться на рекомендациях. Именно во время работы в Spotify я осознал..

Недавно я работал над механизмом рекомендаций по изображениям, который должен был основываться на наборе данных, содержащем детали взаимодействия пользователей с изображениями, то есть, каким пользователям понравилось конкретное изображение. О ванильном подходе к этому я рассказал в этом посте . В этой статье я собираюсь обсудить, как Approximate KNN работает с ANNoy. ANNoy — это библиотека Python, созданная людьми из Spotify, которая обеспечивает абстракцию над базовой реализацией..