Empfehlungssysteme in Musik-‐ Streamingdiensten

Empfehlungssysteme in Musik-­‐
Streamingdiensten S. Baumann Deutsches Forschungszentrum für Künstliche Intelligenz Mir bringt es nichts, wenn ein Empfehlungsdienst „durchschni7lich“ rich9g liegt. Ich will, dass es mir und nicht „dem Durchschni7“ hil>. Don Norman – Usability Guru © Esa Sorjonen CasseIe From My Ex Stories and Soundtracks of Lost Loves Edited by Jason Bitner Playlist Erste Empfehlungs-­‐
systeme Anbieter Beispiel #1: Amazon
Prinzip: KAUF- und BEWERTUNGSVERHALTEN im Server speichern
Verfahren: COLLABORATIVE FILTERING auf Serverfarm
Kosten: Betrieb der Software und Hardware
Zeitaufwand: keiner
Stephan
CD Nr.1
gekauft 2006
CD Nr.2
-
CD Nr.3
gekauft 2006
Martin
gekauft 2006
positiv
gekauft 2006
Dominik
gekauft 2004
-
-
Anbieter Beispiel #2: Pandora
Prinzip: 400 Musikmerkmale/Titel durch 40 EXPERTEN erfasst
Verfahren: MANUELLE INHALTSANALYSE+CONTENTBASED FILTERING auf
zentraler Serverfarm
Kosten: pro Titel ungefähr 7 Euro + Betriebskosten SW/HW
Zeitaufwand: 7000 Titel/Monat
Tonart
Taktart
Geschlecht
Song Nr.1
D Moll
4/4
weiblich
Song Nr.2
D Dur
3/4
männlich
Song Nr.3
A Dur
4/4
-
Manuelle Expertenanalyse -­‐ Beispiel Dolly Parton – Stairway to heaven § 
§ 
§ 
§ 
§ 
§ 
§ 
country influences
bluegrass influences
folk influences
§  intricate melodic phrasing
§  thru composed melodic style
§  a clear focus on recording studio
a subtle use of vocal harmony
§ 
§ 
acoustic sonority
demanding instrumental part § 
writing
§ 
mild rhythmic syncopation
production
minor key tonality
melodic songwriting
a heavy twang in the vocals
acoustic rhythm guitars
[Quelle: O.Celma & P.Lamere: Music RecommendaUon Tutorial, ISMIR2007] Anbieter Beispiel #3: Last.fm
Prinzip: IMPLIZITE Speicherung von HÖRGEWOHNHEITEN
Verfahren: COLLABORATIVE FILTERING auf zentraler Serverfarm
Kosten: lediglich Betriebskosten SW/HW
Zeitaufwand: keiner
Stephan
Song Nr.1
Song Nr.2
Song Nr.3
60Plays/Tag
Martin
-
3Plays/Woche 4Plays/2005
1Play/2006
20Plays/Woche
Dominik
99Plays/2005
-
-
Forschung Beispiel #4: MPEER
Prinzip: SOUND-, LYRICS- und KULTURELLE MERKMALE BERECHNEN
Verfahren: CONTENTBASED FILTERING auf zentralem Server
Kosten: Betriebskosten HW/SW
Zeitaufwand: Maschinelle Verarbeitung von 7000 Titel / 2 Stunden
Audioanalyse
Song Nr.1
Web Datamining
Liedtext
funky, Duo
„..so lovely..“
Song Nr.2
traditionell
Song Nr.3
instrumental
„ .. my Love“
„“
Algorithmik: Ähnlichkeit von Items / Usern User1
User2
Item1
Rating11
Rating12
....
Rating1N
Item2
Rating21
Rating22
....
Rating2N
: ItemM
RatingM1
UserN
: RatingM2 : ....
RatingMN
Aktuelle Empfehlungs-­‐
systeme Empfehlungs-­‐
systeme CollaboraUve Filtering Editorial / Social Data HYBRID ContentBased Filtering SemanUc Data Führender Anbieter für Hybrid Gegründet von B.Whitman & T. Jehan 2006 Ansatz: CBF + CF + SOCIAL DATA [Quelle: Webpräsenz Echonest 2006 -­‐ 2013] SemanUc Data ArUsts, Bands, Directors, Songs, Movies, ... hIp://horst.dgi.de Ein Problem komplexer Systeme ist, dass deren Op9mierung nicht deine sein muss. Aber wenn ich sage: „Das will ich aber“, dann sollten sie meinem Wunsch entsprechen. Don Norman – Usability Guru EXPERIENCE IS KING ? [email protected]