Empfehlungssysteme in Musik-‐ Streamingdiensten
Transcrição
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]