Vergleich von Reinforcement Learning und klassischen ML-Methoden für Musikempfehlungssysteme

Abstract

In dieser Arbeit wird die Leistungsfähigkeit eines Reinforcement Learning (RL)-basierten Musikempfehlungs-systems, implementiert mittels Deep Q-Learning (DQL), mit der klassischen Methode k-Nearest Neighbours (k-NN) verglichen. Ziel ist es, zu analysieren,unter welchen Bedingungen DQL Empfehlungen gegenüber k-NN Vorteile bieten und in welchen Szenarien k-NN überlegen bleibt. Die Untersuchung erfolgt anhand synthetischer Nutzerprofile und realer Songdaten in einer selbstimplementierten Simulationsumgebung. Dabei werden zwei Arten von Musikentdeckung betrachtet: Vertiefung der bekannten Präferenzen und das Explorieren einer neuer Musikrichtung. Die Ergebnisse zeigen, dass k-NN insbesondere beim Auffinden ähnlicher Songs eine konsistente Nutzererfahrung liefert, während DQN seine Stärken vor allem bei explorativen Empfehlen von Musikrichtungen zeigt.

In this work, the performance of a reinforcement learning (RL)-based music recommendation system, implemented using Deep Q-Learning (DQL), is compared with the classical k-Nearest Neighbours (k-NN) method. The goal is to analyze under which conditions DQL offer advantages over k-NN and in which scenarios k-NN remains superior. The investigation is conducted using synthetic user profiles and real song data within a self-implemented simulation environment. Two types of music discovery are considered: deepening known preferences and exploring new music genres. The results show that k-NN provides a consistent user experience, particularly when identifying similar songs, while DQN demonstrates its strengths primarily in exploratory recommendations across different music genres.