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!