Download slides clase - Denis Parra
Document related concepts
no text concepts found
Transcript
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!