MusicRecommenda.on
DenisParraIIC3633–SistemasRecomendadores
10deNoviembrede2015
AgendaSemestral
Jueves26deNoviembre:Examen.-30minutosdepresentaciónparacadaalumno(25minutos+5depreguntas)-Dura4horas,debenestarentodaslaspresentacionesdemodoobligatorio
Escenario
• Grandescambiosenlaformaenquesedistribuyemúsicaenlosúl.mos20años.
• Enelpasado,una.endatradicionalposeíauncatálogodeunos10.000items.
• Enlaactualidad,.endasdemúsicaenlíneaodestreaming.enencatálogosdelordendeunmillóndear.stas.
• Recomendadoresenmúsica:paraencontrar,organizaryexperimentar(consumir)música.
Laindustriamusical
• LosDJsderadiohansidoreemplazadosporlistasdecancionespre-programadasyelcajerodela.endademúsicaesraravezunexperto->Lagenteesperaqueunamáquinalosguíe.
• Esimportanteincorporarentoncesquéfactoreshacenaunbuensistemarecomendadormusicalycómopuedeafectarelmundodelamúsicaparaconstruirsistemasquerecomiendenitemsnovedosos,relevanteseinteresantes.
Enestesurvey:
• Métodosestadodelarte:– Usagebased– Socialbassed– Contentbased– Híbridos.
BalanceentreNovedosoyRelevante
Estereo.posdeQuienesEscuchanMúsica
• ProyectoinglésPhoenix2~(Jennings2007)
…delasfigurasanteriores
• Unrecomendadormusicalefec.vodebiesedetectarqué.podeconsumidormusicalesyenqué.podeprocesoestá,porejemplo,endescubrimientooalgomásrelevantealoyaescuchado
CasosdeUso
• RecomendacióndeAr.sta:– Bajoelclásicoparadigmauser-item
– Tareas:planearunasesiónparaescucharmúsica,conocernuevosar.stas,conectarunfanconconciertoslocales,re-descubrirmúsica.
Item1 Item2 … Itemm
User1 1 5 4
User2 5 1 ?
…
Usern 2 5 ?
CasosdeUsoII
• RecomendacióndeUsuarios– Elobje.voesencontrarpersonascongustomusicalsimilar
– Puedeapoyareldescubrimientodemúsicanuevayrelevante
Last.fmshoutbox
PlaylistGenera.on
• Obje.vo:construirunalistaordenadadecanciones.
• Dependedelcontextoqueelordenseacrí.coono:fiestavs.trabajar,correr.
• “Shuffle”puedeserefec.vosielusuarioestáenprocesodediscovery,peroalavezesriesgosocuandohaycambiosextremosdees.lomusical.
• Personalización:seadecúaalgustodelusuarioymuchasvecesproveefeedbackespecíficocomo“skip”,”ban”,”morelikethis”.
MétodosBásicosdeRecomendación
• Usage-BasedRecommender:Analisalospatronesdeusodelusuario.
• Elmétodomáscomúnestábasadoenfiltradocolabora.vo.SecontruyelamatrizdeinteracciónMUBdedimensiónmxn.
• Unodelosprimerosejemplosdesistemas,Ringo(Shardanand,1994)sebasaenestemodelo.
• Actualmente,estosmodelosu.lizandimplicitfeedbackrecommenda.on.
MétodosBásicosdeRecomendación
• Social-BasedRecommender:U.lizacontenidodisponibleenlaWeb.– Co-ocurrenciaenpáginasweb(wikipediaolast.fm)
– Cancionesescuchadaenelmismologdesesión.– Usodesocialtags->genre,mood
– CONSdeCFySB:cold-start,newitem,influenciaexcesivadeitemstempranos.
MétodosBásicosdeRecomendación
• Content-BasedRecommender:Derivalasimilaridaddirectamentedesdedelaudio.
• Trabajosinicialesenelárea:extraerdescriptoresde.mbre,comoelMelfrequencycepstralcoefficients.– Bag-of-frames:modelode.mbrebajodistribuciónenperíodoscortosde.empo.
– Apar.rdeBoF:GMM,KLdivergence,EMD• Otrasfeaturesextraidasdeformaautomá.ca:ritmo,tonalidad,acordes,género,mood.
CB-methods
• Puedenencontrarpiezassimilaresquepertenecenadis.ntosgénerosmusicales.
• Porejemplo:unasonatadeFranzSchubertyunabaladaderockclásico“meatLoaf”con.enenmelodíadepianoprominente.
• Soncaroscomputacionalmente,porejemplo,paraaplicarlosaundatasetdemillonesdecanciones.
Híbridos
• Métodostpicossonstep-by-stepocascada.• Porejemplo,calcularsimilaridadusandoitem-based,luegore-ordenarenbaseacaracterís.cassocialesoacús.cas.
• Combinaciónlinealdecaracterís.cas.• OtrométodopopularesusarunacombinaciónCBySBparapredecirtagssociales(genre,mood)desdefeaturesdeaudio.
ModelodeAuto-e.quetado
EjemploClásico:Celmathesis
• OscarCelmarecolectóundatasetde360Kusuariosdesdelast.fm,con17Mdedatosdeusode160Kar.stasenlosaños2005-2008,datosdelostop-nar.stas(n
Ejemplo:Radiohead
ClusteringofaUser–PlaylistGenera.on
Ejemplo:RecomedaciónSafeVersusDiscovery
• hyp://www.d.c.upf.edu/~ocelma/
Ejemplo:Moodplay• MoodPlay– IvanaAndjelkovic(UCSB),DenisParra(PUCChile)&JohnO’Donovan(UCSB)
MoodPlay• Aninterac.veLatentMoodSpaceforMusicRecommenda.on
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 23
MoodsandMusic:theGEMSmodel
June1st2015 D.Parra~U.losAndes2015~InvitedTalk 24
SystemArchitecture
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 25
HybridRecommenda.onApproach
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 26
UserStudy
• ConductedonMechanicalTurk,4condi.ons
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 27
Interac.ons
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 28
Interac.onStats
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 29
DiversityConsump.on
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 30
Rela.onBetweenRa.ngsandMoods
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 31
Rela.onBetweenRa.ngsandMoodsII
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 32
Post-StudySurvey
Nov92015 D.Parra~DIIUCHile2015~InvitedTalk 33
• Thanks!
Top Related