Intelligent Agent for Music Recommendation in Multimedia Robotic Systems Using Machine-Learning Algorithms

Іванніков. М. Т. Інтелектуальний агент для підбору музичних рекомендацій у мультимедійних робототехнічних системах із застосуванням алгоритмів машинного навчання. КПІ ім. Сікорського, Київ, 2025. Проєкт містить 85 сторінок тексту, 28 рисунків, 2 таблиці, посилання на 28 літературних джерела, а також демонстраційний вебзастосунок із повним програмним кодом (37 файлів). Об`єкт дослідження: інтелектуальний агент для підбору музичних рекомендацій. Предмет дослідження: інтелектуальний агент для підбору музичних рекомендацій. Мета дипломного проєкту: створення інтелектуального агента, що автоматично знаходить схожі пісні відповідно до вподобань користувача. У першому розділі проаналізовано предметну область персоналізованого аудіоконтенту, окреслено глобальні тенденції ринку стримінгу, роль інтелектуальних агентів у мультимедійних робототехнічних системах, технічні виклики edge-AI та етичні аспекти формування рекомендацій; на підставі цього сформульовано вимоги до алгоритмів, здатних працювати з обмеженими ресурсами й мінімальною історією прослуховувань. У другому розділі виконано детальний огляд п’яти провідних музичних сервісів (Spotify, Apple Music, YouTube Music, Amazon Music, Deezer), порівняно їхні підходи до cold-start, прозорості та контекстної чутливості; виявлено сильні й слабкі сторони існуючих рішень, що стало підґрунтям для вибору власної стратегії рекомендацій. У третьому розділі розглянуто основні методи рекомендації музичного контенту — колаборативну й контент-орієнтовану фільтрацію, гібридні схеми та моделі глибокого навчання; проаналізовано їх переваги та обмеження в умовах робототехнічних платформ і обґрунтовано вибір легковагового алгоритму k-nearest neighbors як оптимального рішення. У четвертому розділі спроєктовано систему: визначено функціональні й нефункціональні вимоги, побудовано клієнт-серверну архітектуру, описано моделі бази даних, схему взаємодії UI з бекендом та принципи модульності й масштабованості; наведено вибір технологій (Flask, React 18 + Vite, SQLAlchemy) і продемонстровано діаграми прецедентів, компонентів та станів. У п’ятому розділі реалізовано систему: докладно описано структуру клієнтської та серверної частин, алгоритм препроцесингу ознак, сам k-NN-агент з підтримкою гарячого перезавантаження, механізм автоматичного тюнінгу гіперпараметрів і результати його використання, що підтвердили поліпшення продуктивності моделі.