Similarity methods for music recommender systems

Abstract

Tradiční hudební doporučovací systémy využívají metody kolaborativního filtrování. To je ovšem nevýhoda pro posluchače, kteří preferují méně mainstreamové skladby, pro- tože kolaborativní filtrování je závislé na popularitě skladeb. Doporučování na základě obsahu by mohlo být rozumná volba při řešení tohoto problému. Vzhledem k tomu, že vyhledávání na základě tagů je rozšířené při napomáhání tradičním hudebním do- poručovacím systémum, v této práci představujeme jiné "content-based" metody, které stanovují podobnost skladeb na základě využití textu a hudby. Jako první jsme vy- hodnotili správnost doporučování několika textových a hudebních metod na playlistech skutečných uživatelů a zjistili, že textové metody mají výsledky konkurence schopné v porovnání s audio metodami. Výsledky také odhalily, že v obou kategoriích jsou metody, které jsou 100 krát lepší než náhodné dopourčování a mají potenciál ke zlepšení. Po vyhodnocovací fázi jsme vybrali kvalitní metody a implementovali je do webové aplikace, která má za cíl doporučovat novou hudbu uživatelům podle dle preferencí. 1

Traditional music recommender systems rely on collaborative-filtering methods. This, however, puts listeners who do not enjoy mainstream songs at a disadvantage because CF systems depend on popularity patterns. Content-based recommendation methods might be useful in solving this issue. Since tag-based searches are a widespread tool to aid tra- ditional music recommendation, this paper presents content-based methods measuring similarity between songs with focus on methods utilizing song's lyrics and audio record- ings. First, we evaluated the accuracy of several approaches based on lyrics and audio information on real user playlists and found that lyrics-based methods yield competitive results to audio-based methods. Results also revealed that both categories include meth- ods that are 100 times more accurate compared to random suggestions and that they have potential for even better results. After the evaluation phase, we selected well-performing methods and implemented them in a web application aiming on recommending novel music to the users based on their content-based profile. 1