Taylor s Tune

️ Taylor's-tune ️

Lagu Taylor adalah alat rekomendasi musik yang digerakkan suasana hati yang memanfaatkan model bahasa besar open-edge-edge terbaru (seperti Mixtral-8x7b, Llama3-70B, LLAMA3-7B, GEMMA-7B) untuk memberikan lagu-lagu cepat Taylor terbaik sesuai dengan kebutuhan pengguna.

Anda dapat mencobanya sebagai Webapp di sini, sementara jika Anda lebih tertarik pada bagian teknis Anda dapat membaca laporan proyek.

? Layar

Bagian obrolan

Di jendela ini pengguna dapat menjelaskan kepada agen status emosional dan situasi hubungan untuk mendapatkan saran darinya. Subbagian di sebelah kiri menawarkan kemungkinan untuk memilih di antara model yang tersedia, serta menyetel beberapa chat-hyperparameters seperti panjang memori, jumlah lagu yang disarankan dan token output LLM maksimum .

❤️ Bagian Pertanyaan Emosional

Panel kedua ini memungkinkan pengguna untuk menjawab kuesioner yang diusulkan di I Know You Tubs Trouble: Tren Emosional dalam Repertoar Taylor Swift , dengan saran lagu -lagu disimpulkan menggunakan model statistik.

Bagian Skor Emosional

Panel ketiga melaporkan dua dataset yang digunakan untuk proyek. Yang pertama mengaitkan deskripsi tekstual untuk setiap skor kriteria emosional numerik.
Kriteria yang dipertimbangkan adalah: Perasaan diri, setengah gelas penuh, tahap depresi, tempo, keseriusan, prospek masa depan, perasaan pria, kebersamaan

Yang kedua berisi lirik, kriteria emosional, deskripsi makna dan URL Spotify dari setiap lagu.

? Pengaturan dan jalankan

Mengatur layanan pendahuluan

1. Buat klaster Qdrant Anda sendiri, lalu salin kunci API dan URL

2. Dapatkan Kunci API Groq

3. Buat file secrets.toml dalam file folder root ini yang berisi tombol berikut: GROQ_API_KEY , QDRANT_API_KEY , QDRANT_CLIENT_URL . Di sini Anda dapat melihat lebih baik cara kerja rahasia

Sekarang Anda dapat memilih salah satu untuk menginstal aplikasi lokal pada python env/venv Anda saat ini atau untuk menggunakan DockerFile yang disediakan

Opsi 1: Instalasi Lokal

1. Salin file secrets.toml di folder Apposite (instruksi di sini)

2. Pasang paket yang diperlukan dengan

    pip3 install -r requirements.txt
   

3. Vektorisasi dataset dan unggah ke qdrant vector db Anda dengan menjalankan notebook vector_db_upload.ipynb

4. Jalankan aplikasi dengan

    streamlit run _Chat.py
   

Opsi 2: Menggunakan DockerFile

1. Bangun aplikasi

    docker build -t taylor .
   

2. Vektorisasi dataset dan unggah ke qdrant vector db Anda dengan menjalankan notebook vector_db_upload.ipynb

3. Jalankan aplikasi

    docker run -p 8501:8501 taylor
   

Catatan Akhir / Sumber Terbuka

Proyek ini sepenuhnya open source dan dapat diperluas juga ke artis lain dengan beberapa penyesuaian kecil. Saya akan sangat tepat jika seseorang ingin berkontribusi pada proyek!

Lampiran

Arsitektur Sistem

Webapp telah dikembangkan dan di -host menggunakan streamlit sementara alat orkestrasi di antara vectorbs dan LLMS yang dipilih adalah langchain.

Ketika pengguna mengirim prompt pencarian kesamaan liris pertama dilakukan, sementara pada saat yang sama LLMS mencoba memprediksi skor numerik untuk setiap kriteria, menurut database pertama yang diilustrasikan dalam halaman Emotional scores . Selanjutnya sebuah kueri untuk kriteria DBS untuk lagu -lagu K terbaik dilakukan. Kemudian, kedua hasil pertanyaan digabungkan dan diberikan sebagai konteks ekstra untuk LLM untuk saran akhir.

Sistem ini telah dievaluasi pada kemampuan dekeksi emosional dan kemampuan rekomendasi. Info lebih lanjut tentang hal itu dalam laporan.

Buku catatan yang berguna

Buku catatan yang berguna:

• vector_db_upload.ipynb : memungkinkan untuk vektor dan mengunggah dua database yang disediakan untuk cluster qdrant yang ada
• lyrics_summarization.ipynb : Get Song's Meaning Description Berdasarkan liriknya