Download slides clase - Denis Parra

MusicRecommenda.on
DenisParra
IIC3633–SistemasRecomendadores
10deNoviembrede2015
AgendaSemestral
Jueves26deNoviembre:Examen.
-30minutosdepresentaciónparacadaalumno(25
minutos+5depreguntas)
-Dura4horas,debenestarentodaslas
presentacionesdemodoobligatorio
Escenario
•  Grandescambiosenlaformaenquese
distribuyemúsicaenlosúl.mos20años.
•  Enelpasado,una.endatradicionalposeíaun
catálogodeunos10.000items.
•  Enlaactualidad,.endasdemúsicaenlíneao
destreaming.enencatálogosdelordendeun
millóndear.stas.
•  Recomendadoresenmúsica:paraencontrar,
organizaryexperimentar(consumir)música.
Laindustriamusical
•  LosDJsderadiohansidoreemplazadosporlistas
decancionespre-programadasyelcajerodela
.endademúsicaesraravezunexperto->La
genteesperaqueunamáquinalosguíe.
•  Esimportanteincorporarentoncesquéfactores
hacenaunbuensistemarecomendadormusical
ycómopuedeafectarelmundodelamúsica
paraconstruirsistemasquerecomiendenitems
novedosos,relevanteseinteresantes.
Enestesurvey:
•  Métodosestadodelarte:
–  Usagebased
–  Socialbassed
–  Contentbased
–  Híbridos.
BalanceentreNovedosoyRelevante
Estereo.posdeQuienesEscuchan
Música
•  ProyectoinglésPhoenix2~(Jennings2007)
…delasfigurasanteriores
•  Unrecomendadormusicalefec.vodebiese
detectarqué.podeconsumidormusicalesy
enqué.podeprocesoestá,porejemplo,en
descubrimientooalgomásrelevantealoya
escuchado
CasosdeUso
•  RecomendacióndeAr.sta:
–  Bajoelclásicoparadigmauser-item
Item1
Item2
User1
1
5
4
User2
5
1
?
…
…
Itemm
Usern
2
5
?
–  Tareas:planearunasesiónparaescucharmúsica,
conocernuevosar.stas,conectarunfancon
conciertoslocales,re-descubrirmúsica.
CasosdeUsoII
•  RecomendacióndeUsuarios
–  Elobje.voesencontrarpersonascongusto
musicalsimilar
–  Puedeapoyareldescubrimientodemúsicanueva
yrelevante
Last.fmshoutbox
PlaylistGenera.on
•  Obje.vo:construirunalistaordenadade
canciones.
•  Dependedelcontextoqueelordenseacrí.coo
no:fiestavs.trabajar,correr.
•  “Shuffle”puedeserefec.vosielusuarioestáen
procesodediscovery,peroalavezesriesgoso
cuandohaycambiosextremosdees.lomusical.
•  Personalización:seadecúaalgustodelusuarioy
muchasvecesproveefeedbackespecíficocomo
“skip”,”ban”,”morelikethis”.
MétodosBásicosdeRecomendación
•  Usage-BasedRecommender:Analisalospatrones
deusodelusuario.
•  Elmétodomáscomúnestábasadoenfiltrado
colabora.vo.Secontruyelamatrizdeinteracción
MUBdedimensiónmxn.
•  Unodelosprimerosejemplosdesistemas,Ringo
(Shardanand,1994)sebasaenestemodelo.
•  Actualmente,estosmodelosu.lizandimplicit
feedbackrecommenda.on.
MétodosBásicosdeRecomendación
•  Social-BasedRecommender:U.lizacontenido
disponibleenlaWeb.
–  Co-ocurrenciaenpáginasweb(wikipediao
last.fm)
–  Cancionesescuchadaenelmismologdesesión.
–  Usodesocialtags->genre,mood
–  CONSdeCFySB:cold-start,newitem,influencia
excesivadeitemstempranos.
MétodosBásicosdeRecomendación
•  Content-BasedRecommender:Derivala
similaridaddirectamentedesdedelaudio.
•  Trabajosinicialesenelárea:extraerdescriptores
de.mbre,comoelMelfrequencycepstral
coefficients.
–  Bag-of-frames:modelode.mbrebajodistribuciónen
períodoscortosde.empo.
–  Apar.rdeBoF:GMM,KLdivergence,EMD
•  Otrasfeaturesextraidasdeformaautomá.ca:
ritmo,tonalidad,acordes,género,mood.
CB-methods
•  Puedenencontrarpiezassimilaresque
pertenecenadis.ntosgénerosmusicales.
•  Porejemplo:unasonatadeFranzSchuberty
unabaladaderockclásico“meatLoaf”
con.enenmelodíadepianoprominente.
•  Soncaroscomputacionalmente,porejemplo,
paraaplicarlosaundatasetdemillonesde
canciones.
Híbridos
•  Métodostpicossonstep-by-stepocascada.
•  Porejemplo,calcularsimilaridadusandoitembased,luegore-ordenarenbasea
caracterís.cassocialesoacús.cas.
•  Combinaciónlinealdecaracterís.cas.
•  Otrométodopopularesusaruna
combinaciónCBySBparapredecirtags
sociales(genre,mood)desdefeaturesde
audio.
ModelodeAuto-e.quetado
EjemploClásico:Celmathesis
•  OscarCelmarecolectóundatasetde360K
usuariosdesdelast.fm,con17Mdedatosde
usode160Kar.stasenlosaños2005-2008,
datosdelostop-nar.stas(n<=100)más
escuchadosporcadausuario.
•  Tambiénserecolectarontags.
•  UsandoSVDsecalculósimilaridadesentre
ar.stas.
Ejemplo:Radiohead
ClusteringofaUser–PlaylistGenera.on
Ejemplo:RecomedaciónSafeVersus
Discovery
•  hyp://www.d.c.upf.edu/~ocelma/
Ejemplo:Moodplay
•  MoodPlay
–  IvanaAndjelkovic(UCSB),DenisParra(PUCChile)&
JohnO’Donovan(UCSB)
MoodPlay
•  Aninterac.veLatentMoodSpaceforMusic
Recommenda.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.ngsandMoods
II
Nov92015
D.Parra~DIIUCHile2015~InvitedTalk
32
Post-StudySurvey
Nov92015
D.Parra~DIIUCHile2015~InvitedTalk
33
•  Thanks!