Дипломна робота: 103 с., 11 рис., 5 табл., 20 посилань, додаток. Об’єкт дослідження – автоматизоване формування персоналізованих списків музичних творів на основі аналізу великих обсягів взаємодій «користувач – трек» та контентних характеристик записів. Сучасні музичні стримінгові сервіси пропонують десятки мільйонів композицій; без інтелектуальної підтримки користувачі стикаються з проблемою інформаційного перевантаження й не можуть оперативно віднаходити музику, що відповідає їх індивідуальним смакам. Ефективна система рекомендацій дає змогу підвищити задоволеність слухачів – показник, критичний для бізнес-метрик онлайн-платформ. Мета роботи – розробити програмний продукт, що поєднує контентні та колаборативні алгоритми машинного навчання (зокрема матричну факторизацію, графову нейронну модель LightGCN та бібліотеку LightFM) для формування персоналізованих рекомендацій музичних треків із оптимальним використанням обчислювальних ресурсів. У рамках дослідження інтегровано дані із Million Song Dataset, Spotify API та Last.fm Taste Profile, виконано попередню обробку та збагачення метаданих, реалізовано ансамбль моделей, здатний генерувати рекомендаційні списки топ-N. Програмний продукт створено мовою Python з використанням бібліотек pandas, scikit-learn, LightFM, PyTorch та PyG; передбачено можливість подальшого розширення функціоналу та деплойменту у хмарному середовищі без потреби у виділених GPU-ресурсах. Практичним результатом є система, що демонструє Recall@20 ≈ 0,18 та MAP@20 ≈ 0, 09 на тестовій підвибірці, суттєво перевершуючи базову випадкову стратегію та традиційні k-NN рекомендації.