表47 「ドライブ（レコチョク）」に対する重み
推薦順位 楽曲名 アーティスト名 Wl Wt
1 GO BUMP OF CHICKEN 0 0
2 ホワット・ドゥ・ユー・ミーン? ジャスティン・ビーバー - 0
3 恋 星野 源 0 120
4 前前前世(movie ver.) RADWIMPS 0 70
5 Yell AAA 0 0
6 サイレントマジョリティー 欅坂46 0 20
7 FLASH Perfume 0 0
8 SUN 星野 源 0 10
9 いこう いきものがかり 0 0
10 Drive 安室奈美恵 0
-11 シェイク・イット・オフ〜気にし
てなんかいられないっ!! テイラー・スウィフト - 0 12 Share The Love
THE Sharehappi from 三代目 J Soul Brothers from EXILE TRIBE
0 0
13 Hard Knock Days GENERATIONS from EXILE
TRIBE 0 0
14 Darling 西野 カナ 0 0
15 Dragon Night SEKAI NO OWARI 0 0
16 traveling 宇多田ヒカル 0 0
17 RPG SEKAI NO OWARI 0 0
18 TRUTH T-SQUARE - 0
19 風は西から 奥田民生 0 10
20 SPARK 三代目 J Soul Brothers from
EXILE TRIBE 0 0
とに分析を行った．
図26に相関関係が見られたカテゴリについては近似曲線を点線で示す．図26より，「天気」，
「場所」，「行動」カテゴリについての登録語彙数と関連楽曲数の相関係数はそれぞれ0.92, 0.98, 0.71であり，正の相関関係が見られた．この結果より，「天気」，「場所」，「行動」カテゴリの状況 についてはsituation dictへの登録語彙数を増やすことでより多くの楽曲を推薦可能となることが 期待される．
「時間」カテゴリの状況はツイートの投稿日時から抽出された状況の影響が大きく，全体的に関 連楽曲数が多かった．使用したツイートが夏から秋にかけて投稿されたものであったことから，
「冬」，「春」の関連楽曲数が少なく，「夏」，「秋」の関連楽曲数が多かった．また，「休日」につい ては「時間」カテゴリの中で唯一投稿日時から抽出されない状況であるため，関連楽曲数は少なく なった．時間帯別に見ると「夜」が最も多く，「明け方」が最も少ないことがわかる．ただし3.4.2 項の表11で示した通り，時間帯の配分は均等ではない点に注意すべきである．
「天気」カテゴリでは「曇」が登録語彙数に対して関連楽曲数が少なかったが，これは他の状況 と比べ，「曇」に適した楽曲が想像しづらいことが原因であると考えられる．また，「晴」が登録語 彙数に対して関連楽曲数が多かったが，登録語彙に「天気」が含まれており，状況抽出時に係り受 けを考慮していないことが原因であると考えられる．
「場所」カテゴリでは「海」が登録語彙数に対して関連楽曲数が少なかったが，これは「海」のみ が他の状況と異なり，日常と離れた状況であることが原因であると考えられる．
「行動」カテゴリでは「起床後」が登録語彙数に対して関連楽曲数が多かったが，これは登録語 彙の「おはよう」が通常の挨拶として「#nowplaying」付きツイートで多く使用されていたことが 原因であると考えられる．
「気分」カテゴリでは「楽しい」，「悲しい」が登録語彙数に対して関連楽曲数が多かったことか
ら，「#nowplaying」付きツイートではこれらの気分の時に投稿されることが多いと考えられる．
1 10 100 1000 10000 100000 1000000
0 50 100 150 200 250 300 350 400 450 500
楽曲数（曲）
語彙数（語）
時間 天気 場所
⾏動 気分 線形(天気) 線形(場所) 線形(⾏動)
図26 状況ごとのsituation dictへの登録語彙数と関連楽曲数の関係
表48 状況ごとのsituation dictへの登録語彙数と関連楽曲数の関係（カテゴリ：時間）
状況 登録語彙数 関連楽曲数
深夜 57 46409
明け方 47 27450
朝 18 55785
昼 79 68800
夕方 62 50198
夜 53 89253
休日 35 1792
週末 5 93559
週明け 1 51731
春 10 209
夏 68 28882
秋 14 193042
冬 44 1494
表49 状況ごとのsituation dictへの登録語彙数と関連楽曲数の関係（カテゴリ：天気）
状況 登録語彙数 関連楽曲数
晴 24 788
曇 37 150
雨 101 2245
雪 21 173
嵐 43 742
表50 状況ごとのsituation dictへの登録語彙数と関連楽曲数の関係（カテゴリ：場所）
状況 登録語彙数 関連楽曲数 自室 60 3465 職場 44 1198 学校 66 3751
海 42 455
表51 状況ごとのsituation dictへの登録語彙数と関連楽曲数の関係（カテゴリ：行動）
状況 登録語彙数 関連楽曲数
起床後 10 3055
就寝前 72 4988
食事 96 4574
入浴中 11 505
移動中 80 6975
作業中 191 7393
散歩 91 1489
ランニング 38 1419 ドライブ 38 2254 パーティー 35 695
お祝い 86 2418
表52 状況ごとのsituation dictへの登録語彙数と関連楽曲数の関係（カテゴリ：気分）
状況 登録語彙数 関連楽曲数
楽しい 143 18832
悲しい 183 7352
憂鬱 304 5201
緊張 23 1779
リラックス 452 7222 リフレッシュ 89 732 ストレス発散 218 4478 アゲアゲ 296 4594
集中 59 1885
5 おわりに
本論文では，ソーシャルデータを用いた状況に応じた楽曲推薦システムを提案した．多様な音楽 的バックグラウンドを持つユーザの再生履歴を推薦根拠とすることで，意外性のある推薦を行える という仮定から，Twitter上に投稿された「#nowplaying」付きツイートを分析し，楽曲と状況の 関係を取得して推薦に利用するアプローチを採用した．
提案手法では収集した「#nowplaying」付きツイートの本文を整形した結果から，楽曲情報検索 APIを用いて楽曲情報を抽出する．さらに独自に作成した，状況に関する語彙を格納した辞書と整 形結果のマッチングを行うことによって，楽曲再生時の状況を抽出する．同時に，ツイートの投稿 日時からも時間に関する状況を抽出する．これらの情報から状況に対する楽曲のスコアを計算し，
推薦に利用する．推薦システムはAndroidアプリとして実装しており，スマートフォンの時計や GPSの機能を用いることでユーザの現在の状況を推定し，半自動的に推薦する楽曲を決定する．
ユーザ実験を行い提案システムを評価した結果，状況に適した楽曲の推薦，意外性のある楽曲の 推薦はある程度可能であるが，両者を同時に満たした楽曲の推薦は困難であることが確認された．
一方で，ユーザに未知の楽曲を推薦するシステムとしては有効であることが確認された．単一の状 況に対する推薦と複合的な状況に対する推薦の結果を比較した結果，複合的な状況に対する推薦の 方が状況に適した楽曲を推薦できることが確認された．インタフェースの観点からは，状況の推定 は適切であり，ユーザが現在の状況に適した楽曲を探索する上で有用であることを示した．また提 案手法による推薦結果は，歌詞を用いた手法と比べ内容に大きな違いがあることが確認された．提 案手法では「#nowplaying」付きツイートを解析することで，ある程度状況に適した楽曲推薦を行 えることを示したが，楽曲情報の抽出ミスが高い割合で発生していたことやテキストの係り受け構 造を考慮できていない点など，改善点も明らかになった．
提案手法は，歌詞や音源を入手できない楽曲も推薦することができるため，楽曲推薦の研究に おいて新たな可能性を示すことができたと考える．また未知の楽曲を推薦することに適するため，
ユーザの音楽趣味の領域を広げたり，マスメディアでは無名なアーティストに作品披露の機会を与 えるなど，音楽業界のさらなる発展への貢献が期待される．また，ソーシャルデータの活用という 観点からも新たな可能性を提示できたと考える．
謝辞
本研究を進めるにあたり，多大なご指導ご鞭撻を頂きました高間康史教授に心より感謝いたしま す．合わせて，本研究にご協力頂きました，山口亨教授，片山薫准教授にも深く感謝いたします．
そして実験にご協力頂き，日頃から多くの有益な知識や示唆を頂いた高間研究室の皆様にこの場を 借りてお礼申し上げます．
参考文献
[1] Y. Song, S. Dixon, and M. Pearce, A survey of music recommendation systems and future perspectives, Proceedings of the 9th International Symposium on Computer Music Modelling and Retrieval, Vol. 4, pp. 395‒ 410, 2012.
[2] 吉井和佳,後藤真孝,音楽推薦システム,情報処理, Vol. 50, No. 8, pp. 751‒ 755, 2009.
[3] 帆足啓一郎,音楽情報の検索,映像情報メディア学会誌, Vol. 64, No. 5, pp. 701‒ 707, 2010.
[4] 竹川和毅,土方嘉徳,西田正吾,内容に基づく音楽データの探索・推薦システム,人工知能学会 論文誌, Vol. 23, No. 5, pp. 330‒ 343, 2008.
[5] 吉井和佳,後藤真孝, 駒谷和範,尾形哲也,奥乃博, ユーザの評価と音響的特徴との確率的統合 に基づくハイブリッド型楽曲推薦システム,情報処理学会研究報告音楽情報科学, Vol. 2006, No. 90(2006-MUS-6), pp. 45‒ 52, 2006.
[6] 新美怜志, 濱川礼,協調フィルタリングを用いた音楽推薦とマッピング手法, 情報処理学会研 究報告音楽情報科学, Vol. 2011, No. 21(2011-MUS-89), pp. 1‒ 6, 2011.
[7] B. Logan, Music recommendation from song sets, Proceedings of the 5th International Conference on Music Information Retrieval, pp. 425‒ 428, 2004.
[8] D. Bogdanov, M. Haro, F. Fuhrmann, A. Xambó , E. Gó mez, and P. Herrera, Content-based music recommendation Content-based on user preference examples, Workshop on Music Recommendation and Discovery Womrad, 6 pages, 2010.
[9] 津谷篤,西牧駿矢,小見裕明,田中敦, 印象の有無のみの感性評定を用いた状況に応じた楽曲選 択法とその応用,日本感性工学会論文誌, Vol. 12, No. 3, pp. 397‒ 407, 2013.
[10] 井上博行 吉村誠,リズムの感性分析による状況に合った音楽ジャンルの分析,日本感性工学会 論文誌, Vol. 10, No. 3, pp. 349‒ 356, 2011.
[11] 古屋瑞生, 黄宏軒,川越恭二,聴取目的に応じた音楽推薦のための歌詞からの音楽印象分類方 法,第7回データ工学と情報マネジメントに関するフォーラム, pp. 1‒ 6, 2015.
[12] 河村康治,歌詞情報の分析に基づくユーザの状況を考慮した楽曲推薦に関する研究,大学院研 究年報 理工学研究科篇, Vol. 47, pp. 1‒ 4, 2017.
[13] 奥健太,セレンディピティ指向情報推薦の研究動向,知能と情報, Vol. 25, No. 1, pp. 2‒ 10, 2013.
[14] J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, Evaluating collaborative filtering recommender systems, ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 5‒ 53, 2004.
[15] S. M. McNee, J. Riedl, and J. A. Konstan, Accurate is not always good: How accu-racy metrics have hurt recommender systems, Extended Abstracts of the 2006 ACM Conference on Human Factors in Computing Systems, pp. 1097‒ 1101, 2006.
[16] 神嶌敏弘,推薦システムのアルゴリズム(1), 人工知能学会誌, Vol. 22, No. 6, pp. 826‒ 837, 2007.
[17] 神嶌敏弘,推薦システムのアルゴリズム (2), 人工知能学会誌, Vol. 23, No. 1, pp. 89‒ 103, 2008.
[18] 神嶌敏弘,推薦システムのアルゴリズム(3), 人工知能学会誌, Vol. 23, No. 2, pp. 248‒ 263, 2008.
[19] 梶克彦,平田圭二,長尾確, 状況と嗜好に関するアノテーションに基づくオンライン楽曲推薦 システム,情報処理学会研究報告音楽情報科学, Vol. 2004, No. 127(2004-MUS-058), pp. 33
‒ 38, 2004.
[20] 黒瀬崇弘, 梶川嘉延,野村康雄,感性情報を用いた楽曲推薦システム, 第19 回ファジィシステ ムシンポジウム, pp. 43-46, 2003.
[21] 樫山裕史, 手塚太郎, 木村文則, 前田亮, ランキング情報を利用した楽曲推薦システムの構築, 第1回データ工学と情報マネジメントに関するフォーラム, 5 pages, 2009.
[22] A. Flexer, D. Schnitzer, M. Gasser, and G. Widmer, Playlist generation using start and end songs, Proceedings of the 9th International Conference on Music Information Retrieval, pp. 173‒ 178, 2008.
[23] 渡辺光祐, 小林亜樹,気分誘導を目指した楽曲プレイリスト生成手法, 第6回データ工学と情 報マネジメントに関するフォーラム, pp. 1‒ 3, 2014.
[24] 山崎晃男, 音楽と感情についての心理学的研究, 大阪樟蔭女子大学人間科学研究紀要, No. 8, pp. 221‒ 232, 2009.
[25] 佐藤聡,小川潤,堀野義博,北上始,感情に基づく音楽作品検索システムの実現に向けての検討, 情報処理学会研究報告音楽情報科学, Vol. 2001, No. 16(2000-MUS-039), pp. 51‒ 56, 2001.
[26] 池添剛,梶川嘉延,野村康雄,形容詞対を用いた音楽データベース検索システム,情報処理学会 研究報告音楽情報科学, Vol. 1999, No. 106(1999-MUS-033), pp. 7‒ 14, 1999.
[27] 熊本忠彦,太田公子,印象に基づく楽曲検索：システムの実装と評価,情報処理学会研究報告音 楽情報科学, Vol. 2002, No. 63(2002-MUS-046), pp. 37‒ 42, 2002.
[28] 谷口高士,音楽作品の感情価測定尺度の作成および多面的感情状態尺度との関連の検討, 心理 学研究, Vol. 65, No. 6, pp. 463‒ 470, 1995.
[29] N. Oliver and L. Kreger-Stickles, PAPA: Physiology and purpose-aware automatic playlist generation, Proceedings of the 7th International Conference on Music Infor-mation Retrieval, pp. 250‒ 253, 2006.
[30] 武内裕一, 青野雅樹, OWLを用いた音楽嗜好データの表現と音楽情報推薦への応用, 情報処
理学会研究報告データベースシステム, Vol. 2005, No. 68(2005-DBS-137), pp. 277‒ 281, 2005.
[31] 彦坂健太郎,谷口徹, 誉田雅彰,白井克彦,ユーザの嗜好に適応させた選曲システムの提案,情 報処理学会研究報告音楽情報科学, Vol. 2006, No. 133(2006-MUS-068), pp. 19‒ 24, 2006.
[32] 舟澤慎太郎, 北市健太郎, 甲藤二郎, 楽曲推薦システムのための楽曲波形と歌詞情報を考慮し た類似楽曲検索に関する一検討,情報処理学会研究報告オーディオビジュアル複合情報処理, Vol. 2008, No. 22(2008-AVM-060), pp. 1‒ 5, 2008.