楽曲聴取における嗜好情報を用いたハイブリッド型楽曲推薦システム
6
0
0
全文
(2) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2016-MUS-110 No.7 2016/2/29. また，推薦における膨大な楽曲の音響情報を比較する等. て用いる．. と多数のデータを扱わなければいけない際に，上記の組み 合わせであるハイブリッド型の推薦システムを用いること. (1)ユーザの聴取時間. で比較・推薦楽曲の抜粋を行う事ができるか調査する．. (2)ユーザの嗜好アーティスト (3)楽曲の音響情報. 2.2 システム概要 協調フィルタリングを用いることにより得られた似た ユーザの好むアーティストの人気楽曲から，コンテンツベ. 4. 好みの定義. ースフィルタリングを行うことで，よりユーザが好むと考. 視聴中にその曲を聴くのをやめる・早送りする等の判断. えられる楽曲をランキングしユーザに表示して推薦する．. には 5～20 秒かかる[3]．よって少なくとも 5 秒以上連続し. また，この時コンテンツベースフィルタリングにおいて，. て聴取した楽曲を好んで聴いた楽曲の対象としたい．今回. 楽曲全体の音響情報を用いる．このような楽曲推薦ができ. はアーティスト毎のユーザ視聴回数のオープンデータを用. るようになることで無駄な比較を削減した推薦が出来るよ. いるに当たり，視聴回数を視聴時間として考え，少なくと も 5 回以上同じアーティストの曲を聴いているデータを対. うになると考えている(Figure 1)．. 象とした．視聴回数にはばらつきがあるため，以下のよう に評価値P𝐴 に変換する．. 3. ユーザの嗜好情報 ユーザの嗜好情報を用いることでシステムをユーザ好み にカスタマイズする．本システムでは，実際にユーザが視. P𝐴 =. 100×𝑐𝑜𝑢𝐴 𝑐𝑜𝑢𝑛𝑡. …（式 1）. 聴した楽曲の履歴から以下のものをユーザの嗜好情報とし. Figure 1. ⓒ 2016 Information Processing Society of Japan. システム概要図. 2.
(3) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2016-MUS-110 No.7 2016/2/29. 𝑐𝑜𝑢𝑛𝑡は総視聴回数，𝑐𝑜𝑢𝐴 はアーティストAの視 聴回数を表す．. 5.3 コンテンツベースフィルタリング ユーザの嗜好と楽曲の特徴プロファイルを考え，それら がマッチする楽曲をユーザに推薦する方法[5][6][7]．本シ. 5. 推薦システム. ステムではユーザの嗜好情報を用いてユーザが実際に視聴. 5.1 ピアソン距離尺度. 聴の曲を推薦する．ここで，ユーザの好む楽曲予測には嗜. した楽曲の音響情報同士の類似度からユーザに適した未視. 本研究では距離計算の方法としてポピュラーなピアソ. 好情報より視聴履歴のアーティストの楽曲の音響情報を用. ン距離尺度を用いることとする．この方法でユーザ同士の. いる．音響情報は以下の 2 つをそれぞれ使用する．. 相関を考える．ユーザ U によるアーティスト A の評価を 𝑃𝑈,𝐴 としてユーザ U1，U2 間の類似度𝑅𝑈1,𝑈2 は以下の式で表. ・自己相関. す．E はユーザ U によるアーティスト評価の平均である．. 繰り返される成分や残響の成分がわかる．. 𝑅𝑈1,𝑈2 =. ∑𝑛𝐴=1(𝑃𝑈1,𝐴 −𝐸[𝑃𝑈1 ])(𝑃𝑈2,𝐴 −𝐸[𝑃𝑈2 ]) 2. 2. ・スペクトラム. …（式 2）. 音の信号を周波数成分に分解し，どんな高さの音で構成さ. √∑(𝑃𝑈1,𝐴 −𝐸[𝑃𝑈1 ]) √∑(𝑃𝑈2,𝐴 −𝐸[𝑃𝑈2 ]). れているかがわかる． 5.2 協調フィルタリング. ユーザの好むアーティスト予測結果と未試聴アーティ. ユーザの思考を分析し，類似したユーザはお互いが聴い. ストの比較として，この各アーティストの代表楽曲の音響. ているアーティストは気に入ると言う仮定に基づき推薦す. 情報未試聴アーティストの代表曲の音響情報の類似を確認. る方法[4]．本システムではユーザの嗜好情報から各聴取ア. し，値が近い順にランキングする．. ーティストに対する評価を算出し，これを用いてユーザ同 士を類似する．価 Rec の算出は以下の通りである．𝑃𝑈 はユ. 5.4 ハイブリッド型フィルタリング. ーザの評価を表す．. ハイブリッドフィルタリングはコンテンツベースフィ ルタリングと協調フィルタリングを混合させて推薦のルー. 𝑅𝑒𝑐𝑈1,𝐴 =. ∑𝑈2∈𝑈𝐴 (𝑃𝑈2,𝐴 −𝐸[𝑃𝑈2 ])𝑅𝑈1,𝑈2 ∑𝑈2∈𝑈𝐴 |𝑅𝑈1,𝑈2 |. ルを作成する方法である．本システムでは，協調フィルタ. …（式 3）. リングの結果得られたユーザに対し似ているユーザがつけ たスコアの高いアーティストの楽曲を，コンテンツベース フィルタリングによりユーザの好む楽曲と音響情報が近い. Table1 では，協調フィルタリングによる未視聴曲の楽曲. 順にランキングする．この結果ユーザは新しい曲に出会え，. 3 と楽曲 4 の評価値予測の例を示している．未視聴のもの. 且つより好みの聴きなれた楽曲を得られると考えている．. は空欄である．この例では，ユーザ X との相関関係の高い. 協調フィルタリングではユーザによるアーティストの評価. ユーザと計算された上位 3 名の情報から評価値を予測する．. 値を使うが，この評価値から得られた類似ユーザのアーテ. 未視聴ものの評価は計算に含めない．これにより，ユーザ. ィストから更に，コンテンツベースより得られたユーザが. X の未視聴であるアーティスト 3 の評価予測は 3.5，アーテ. 好む楽曲の特徴を追加する事で，より類似したユーザを把. ィスト 4 の評価予測は 4.5 と計算された．. 握し，似た思考のユーザが聴く未視聴の楽曲を提供する．. Table 1. ユーザX ユーザA ユーザB ユーザC ユーザD ユーザE オススメ度. 1 5. 2 2. 3. 4. 2 2. 2 5. 1. 2. 4. 5. 3.5. ⓒ 2016 Information Processing Society of Japan. 4. 協調フィルタリングの例. アーティスト 5 4. 4. 2. 5 5. 4 2 1. 6 4. 7 5. 8 1. 9 2. 2 5 4 1 1. 5 3 4 1 2. 1 2 1 4 5. 1 2 2 4 3. 10 ユーザXとの相関関係 類似順 3 1 2 2 3 3 4. 0.852386356 0.635763953 0.963863195 -0.93644171 -0.749057489. 2 3 1. 4.5. 3.
(4) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2016-MUS-110 No.7 2016/2/29. Table2. 実験 6.1 結果(協調フィルタリング) 評価. ユーザID 1位ID 類似ユーザ 2位ID 3位ID. 13 11 15 24. おすすめ度 実際の評価との差 ユーザID 17 1位ID 23 類似ユーザ 2位ID 24 3位ID 21 おすすめ度 実際の評価との差 ユーザID 24 1位ID 21 類似ユーザ 2位ID 17 3位ID 11 おすすめ度 実際の評価との差 ユーザID 11 1位ID 13 類似ユーザ 2位ID 23 3位ID 21 おすすめ度 実際の評価との差 ユーザID 15 1位ID 23 類似ユーザ 2位ID 13 3位ID 11 おすすめ度 実際の評価との差. Kylie Minogue Daft Punk Madonna Depeche GorillazLady Mode Gaga Muse Red HotThe Chili Beatles Peppers The Killers Green Day RihannaBritneyChristina SpearsBeyoncé Aguilera Lily Allen Katy Perry P!nk Black Eyed NellyPeas Furtado Hilary Duff Ashley David TisdaleGuetta Avril Lavigne Taylor Swift Evanescence 0 0 96 0 0 0 0 0 0 0 0 0 1 0 0 2 33 3 7 5 5 3 2 3 3 5 7 28 13 3 3 2 2 5 24 3 5 13 2 3 5 4 24 4 10 6 3 10 3 5 4.5 24.67 2 8 3.667 4.667 13 3.5 4.5 5 12.33 2.5 6 3.667 3 10 3 0 -5 -4.5 0 0 71.33 -2 0 0 -8 -3.67 -4.67 -13 -3.5 -4.5 -5 -12.3 0 -2.5 0 -6 -3.67 -3 -9 -3 0 33 2 3 4 37 3 1 1 2 1 1 1 2 2 30 11 3 6 2 5 9 4 24 2 13 2 3 5 4 24 4 10 6 3 10 3 12 9 3 2 12 7 6 30 12 2 3 5 3.5 15 7 6.5 7.5 6 2 9 5 5 17 3 2 3 0 2 0 0 -9 -2 0 0 -3 -5 0.5 22 -4 -5.5 1 -5.5 -5 1 -1 -7 -3 -5 -17 -3 -2 13 2 3 5 4 24 4 10 6 3 10 3 12 9 3 2 12 7 6 33 2 3 4 37 3 1 1 2 1 1 1 2 2 2 33 3 7 5 5 3 2 3 3 33 2 18 3 5.5 37 6.667 5 1 2.5 2 1.5 1.5 7 4 4.5 -33 0 -2 0 0 -5 2 0 0 3 2 -1.5 -13 -6.67 -1 -1 7.5 -2 -1.5 -1.5 -1 -1 -4.5 10 3 0 2 33 3 7 5 5 3 2 3 3 0 0 96 0 0 0 0 0 0 0 0 0 1 0 0 30 11 3 6 2 5 9 4 24 2 12 9 3 2 12 7 6 15 0 53.5 3 6 4.667 4.5 0 2.5 4 1 6 3.5 3.333 12.5 0 1 -15 0 2 0 0 -20.5 0 0 0 0 3 4 -6 0.333 0.5 0 0.5 -4 2 -1 -6 -0.5 -0.33 -12.5 0 -1 5 7 28 13 3 3 2 2 5 24 3 5 30 11 3 6 2 5 9 4 24 2 0 0 96 0 0 0 0 0 0 0 0 0 1 0 0 2 33 3 7 5 5 3 2 3 3 15 1 46.67 3 5 6 2.333 2.5 0 2.667 4.5 2 0 0 1.5 2.333 12.5 0 1 -15 5 6 0 0 -18.7 0 0 0 13 0 -2 -4 -0.33 -2.5 5 21.33 -4.5 1 0 0 3.5 -2.33 -12.5 0 -1. 6. 実験. 6.2 嗜好アーティストと未試聴曲の推薦. Last.fm[8]のデータをまとめたオープンデータセットを HetRec2011[9]より取得し，このデータからユーザの視聴履. 6.2.1. 実験内容. ユーザの最も評価の高いアーティストの代表曲と実験. 歴及びアーティスト情報を得る．. 6.1 より得られた類似ユーザの視聴アーティストの中で最. ・ユーザ 23 名，アーティスト 26 種を抜粋. も評価の高いアーティストの代表曲を比較した時，どのよ. このユーザはランダムに選ばれた 50 人のユーザのうち 視聴したアーティストが 4 人以上と一致するユーザを抜粋. うな結果が得られるか調査する．代表曲は Last.fm より最 も人気度の高い楽曲を対象とする．. した．また，アーティストは 50 種の中から上記のユーザ 4 人以上に聞かれているアーティストを抜粋した．. 6.2.2 実験結果 ユーザ評価の最も高いアーティストと予測評価が最も. 6.1 類似ユーザによるアーティスト推薦の信頼度. 高いアーティストを上げたところ実験 6.1 の 5 人のユーザ. 6.1.1 実験内容. に該当するアーティストは Britney Spears，Lady Gaga，Avril. オープンデータセットのユーザ情報用いてシステムを 使用した場合実際のアーティスト評価が評価予測とどれく. Lavigne，Kylie Minogue，と偏った．この 4 アーティストの 代表曲の音響情報をそれぞれ比較する. らい一致するか調査する．抜粋ユーザの内，多くのアーテ ィストの曲を聴いた上位 5 名について実際の評価と類似ユ ーザ上位 3 名より予測された評価がどのくらい一致するか 検証する． 推薦方法は協調フィルタリングを用いる． 6.1.2 実験結果 推薦アーティストと実際に評価されたアーティストの 評価一致結果一致率は 67％であった． Figure 2 Table 3. 自己相関. Britney Spears. 実験 6.1 結果(評価一致度). 推薦の評価が確立されている協調フィルタリングを使 用したが，結果は低いものとなった．データのばらつきと ユーザによる評価の偏りが見受けられ，これは現在も問題 視されているデータの希薄性が原因と思われる．. ⓒ 2016 Information Processing Society of Japan. 4.
(5) 情報処理学会研究報告 IPSJ SIG Technical Report. Figure 3. Figure 4. Vol.2016-MUS-110 No.7 2016/2/29. Figure 8. Lady Gaga. 自己相関. Figure 9 スペクトラム. Avril Lavigne. 自己相関. スペクトラム. Avril Lavigne. Kylie Minogue. 4 アーティストにそれぞれ付けられたタグにも注目する と以下のような結果になった． Table 4 Lady Gaga Britney Spears Kylie Minogue Avril Lavigne. Figure 5. 自己相関. pop * * * *. dance * * *. 付与されたタグ rock. electronic party * *. *. female * * *. Kylie Minogue 全てのアーティストに pop のタグが付与され，また，3 人のアーティストに dance・female のタグが付与されてい たことから実験に使用した 5 人のユーザはこの傾向に当て はまる楽曲が好みであることがわかった．また，タグ付け の結果が類似していることがこの実験によりわかった． Avril Lavigne の結果が他のアーティストと大幅に異なる理 由を調査したところ，他の 3 人の人気曲は dance music を奏 でていたが Avril Lavigne の人気曲は 4 アーティストの中で 唯一 rock music を奏でていた．これが結果に出ているので. Figure 6. スペクトラム. Britney Spears. はないかと考えられる．. 7. 考察 今回，後に行う音響情報を用いたコンテンツベースでの 評価推定において膨大な曲を扱わなければならないという 問題を解決するために，始めに協調フィルタリングでユー ザに適したアーティストを抜粋できないか試みた．結果は 50%を超えたもののあまり良いものではなかったため，根 Figure 7. スペクトラム. Lady Gaga. 本的な協調フィルタリングの問題を解決することが今後の 一致率の上昇につながると考える． また，音響情報を追加した場合の推薦では類似楽曲の推. ⓒ 2016 Information Processing Society of Japan. 5.
(6) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2016-MUS-110 No.7 2016/2/29. 薦に成功した．しかし，今回使用した楽曲データは代表曲 1 つと少なかったため結果の信頼度はまだ足りないと考え ている．音響情報としてスペクトラム及び自己相関の解析 を行ったが，確認で調査したタグ付けの結果が類似してい たため，音響情報を解析せずともユーザが付与したタグを 用いた推薦で精度を上げることができるのではないかと考 えた．実際にタグを利用した推薦の研究が存在するため， 今後比較を検討すべきだと考える．. 7 Carles Roig, Lorenzo J. Tard´on∗, Isabel Barbancho, Ana M. Barbancho: Automatic Melody Composition Based on a Probabilistic Model of Music Style and Harmonic Rules, Knowledge-Based Systems Volume 71, November 2014, Pages 419–434 8 Last.fm [2016.1.7 確認] http://www.last.fm/ 9 HetRec2011 [2016.1.29 確認] http://grouplens.org/datasets/hetrec-2011/. 全体を通して，今回は視聴回数を評価に変換して実験を 行っているため，希薄性がない及び直接的なユーザの評価 が与えられたデータを使用した場合どのように結果が変わ るか，また，音響情報において抜粋アーティストの人気楽 曲の情報を使用したが，協調フィルタリング時にもアーテ ィストに加え直接楽曲評価情報を用いて実際にユーザの気 に入る部分の音響情報も与えたら結果は向上するか引き続 き調査したい．. 8. 今後の課題 今後ソーシャルネットワークを用いることで，ユーザが 現在置かれている状況を把握し，その環境にあった音楽を 推薦する事も出来るようになると考えられる．また，音楽 システムの別の研究に作曲家判別がある．これに用いられ る楽曲の共通特徴を得る方法を，作曲家の判別からユーザ の判別という形に置き換えて応用することで，よりユーザ の好む楽曲の推薦が出来るのではないかと考えている． 謝辞 本研究を進めるにあたり，藤田ハミド教授から熱心なご 指導を賜りました．ここに感謝の意を表します．また様々 な助言や指導していただいた村山優子教授，佐々木淳教授， 槫松理樹准教授，羽倉淳准教授に感謝致します．. 参考文献 1 デジタルコンテンツ白書[2016.1.29 確認] http://ebook.itmedia.co.jp/ebook/articles/1308/30/news086.html 2 吉井 和佳,後藤 真考,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計に基づくハイブリッド型楽曲推 薦システム, IPSJ SIG Technical Report, 2006-MUS-66, P45-52 3 :Music Machinery “The Skip”:[2016.2.2 確認] http://musicmachinery.com/2014/05/02/the-skip/ 4 Ke Ji,Runyuan Sun,Wenhao Shu,Xiang Li: Next-song Recommendation with Temporal Dynamics, Knowledge-Based Systems, Volume 88, November 2015, Pages 134–143 5 竹川和毅,土方 嘉徳,西田 正吾: 内容に基づく音楽探索・推薦の 方法, 電子情報通信学会, TECHNICAL REPORT OF IEICE 2007, P1-8 6 B.Logan: Music recommendation from song sets, IS-MIR 2004 P425-428. ⓒ 2016 Information Processing Society of Japan. 6.
(7)
図
関連したドキュメント
It is suggested by our method that most of the quadratic algebras for all St¨ ackel equivalence classes of 3D second order quantum superintegrable systems on conformally flat
[9] DiBenedetto, E.; Gianazza, U.; Vespri, V.; Harnack’s inequality for degenerate and singular parabolic equations, Springer Monographs in Mathematics, Springer, New York (2012),
A monotone iteration scheme for traveling waves based on ordered upper and lower solutions is derived for a class of nonlocal dispersal system with delay.. Such system can be used
Next, we prove bounds for the dimensions of p-adic MLV-spaces in Section 3, assuming results in Section 4, and make a conjecture about a special element in the motivic Galois group
Then it follows immediately from a suitable version of “Hensel’s Lemma” [cf., e.g., the argument of [4], Lemma 2.1] that S may be obtained, as the notation suggests, as the m A
In order to be able to apply the Cartan–K¨ ahler theorem to prove existence of solutions in the real-analytic category, one needs a stronger result than Proposition 2.3; one needs
Our method of proof can also be used to recover the rational homotopy of L K(2) S 0 as well as the chromatic splitting conjecture at primes p > 3 [16]; we only need to use the
Section 3 is first devoted to the study of a-priori bounds for positive solutions to problem (D) and then to prove our main theorem by using Leray Schauder degree arguments.. To show
