Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/nicolasvauche/vinylexplore_ml
VinyleXplore est un moteur de recommandation de vinyles intelligent basé sur l'humeur et le contexte d'écoute de l'utilisateur. Il utilise FastAPI pour exposer une API REST et scikit-learn pour entraîner un modèle de Machine Learning qui améliore la pertinence des suggestions.
https://github.com/nicolasvauche/vinylexplore_ml
machine-learning python scikit-learn vinyle
Last synced: 3 days ago
JSON representation
VinyleXplore est un moteur de recommandation de vinyles intelligent basé sur l'humeur et le contexte d'écoute de l'utilisateur. Il utilise FastAPI pour exposer une API REST et scikit-learn pour entraîner un modèle de Machine Learning qui améliore la pertinence des suggestions.
- Host: GitHub
- URL: https://github.com/nicolasvauche/vinylexplore_ml
- Owner: nicolasvauche
- Created: 2025-02-14T13:18:00.000Z (6 days ago)
- Default Branch: main
- Last Pushed: 2025-02-16T11:04:28.000Z (5 days ago)
- Last Synced: 2025-02-16T12:18:06.652Z (4 days ago)
- Topics: machine-learning, python, scikit-learn, vinyle
- Language: Python
- Homepage:
- Size: 13.7 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# VinyleXplore - Moteur de Recommandation de Vinyles 🎶
VinyleXplore est un moteur de recommandation de vinyles intelligent basé sur l'humeur et le contexte d'écoute de
l'utilisateur. Il utilise **FastAPI** pour exposer une API REST et **scikit-learn** pour entraîner un modèle de Machine
Learning qui améliore la pertinence des suggestions.
## Fonctionnalités
- Recommandation d'albums en fonction :
- De l'**humeur** de l'utilisateur (motivé, paisible, amoureux, etc.).
- Du **moment de la journée** (matin, midi, soir...).
- De la **saison** actuelle.
- Du **lieu** où se trouve l'utilisateur.
- Du **nombre d'écoutes** passées.
- Du **genre et du style musical** des albums.
- **Sélection aléatoire** d’un album si aucune humeur n'est définie.
- **Moteur basé sur un modèle de Machine Learning** entraîné avec `RandomForestClassifier`.
- **Exposition via une API REST** avec FastAPI.
---
## Installation
### 1. Cloner le projet
```bash
git clone [url_du_referentiel]
cd vinylexplore_ml
```
### 2. Créer un environnement virtuel et installer les dépendances
```bash
python -m venv venv
source venv/bin/activate # Mac/Linux
venv\Scripts\activate # Windows
pip install -r requirements.txt
```
### 3. Lancer l'API FastAPI
```bash
uvicorn app.main:app --reload
```
L'API sera disponible à l'adresse http://127.0.0.1:8000.
---
## Endpoints de l'API
Route : `POST /recommend`
Corps de la requête (JSON) :
```json
{
"context": {
"dayOfWeek": "vendredi",
"timeOfDay": "soir",
"season": "hiver",
"mood": "motivé",
"location": "maison"
},
"albums": [
{
"id": 1,
"moods": [
"motivé",
"en soirée"
],
"playCount": 3,
"lastPlayedAt": 1700000000,
"listeningHistory": [],
"ignoredCount": 1,
"listenedCount": 2,
"genre": "Rock",
"style": "Alternative Rock"
},
{
"id": 2,
"moods": [
"paisible"
],
"playCount": 10,
"lastPlayedAt": 1700000000,
"listeningHistory": [],
"ignoredCount": 3,
"listenedCount": 7,
"genre": "Jazz",
"style": "Smooth Jazz"
}
]
}
```
Réponse attendue :
```json
{
"id": 1,
"moods": [
"motivé",
"en soirée"
],
"playCount": 3,
"lastPlayedAt": 1700000000,
"listeningHistory": [],
"ignoredCount": 1,
"listenedCount": 2,
"genre": "Rock",
"style": "Alternative Rock"
}
```
---
## Algorithme de Recommandation
### 1. Prétraitement des Données :
Transformation des catégories (dayOfWeek, mood, etc.) en valeurs numériques.
Gestion des valeurs None (remplacement par 0 si nécessaire).
Création d'un DataFrame pour la prédiction.
### 2. Prédiction via Machine Learning :
Utilisation d'un RandomForestClassifier entraîné sur des écoutes réelles.
Le modèle classe les albums comme "écouté" ou "ignoré".
### 3. Calcul du Score des Albums :
- Diversité : Moins un album a été écouté, plus il est recommandé.
- Match Humeur-Genre : Si le genre ou le style correspond à l'humeur, bonus de score.
- Correspondance avec l’historique d’écoute : Les albums déjà appréciés sont favorisés.
- Mélange des albums de score égal pour éviter la répétition.
### 4. Sélection de l'album final :
- Si mood est null → Sélection totalement aléatoire.
- Sinon → Album avec le meilleur score et mélange des résultats.
---
## Entraînement du Modèle
Le modèle est entraîné avec des données simulées dans `train_model.py` :
```bash
python app/train_model.py
```
---
## Améliorations Futures
- Ajout du filtrage temporel pour éviter de recommander un album écouté récemment.
- Prise en compte des albums jamais écoutés dans la recommandation.
- Affinage du modèle avec de véritables données d’écoute utilisateurs.
---
## Licence
Ce projet est sous licence MIT.