Similarity methods for music recommender systems
| Název práce v češtině: | Analýza metod podobnosti pro doporučování hudebních skladeb |
|---|---|
| Název v anglickém jazyce: | Similarity methods for music recommender systems |
| Klíčová slova: | doporučování hudby, učení vlastností bez učitele, podobnost skladeb podle audia, podobnost skladeb podle textu |
| Klíčová slova anglicky: | music recommendation, unsupervised feature learning, audio-based song similarity, lyrics-based song similarity |
| Akademický rok vypsání: | 2018/2019 |
| Typ práce: | bakalářská práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra softwarového inženýrství (32-KSI) |
| Vedoucí / školitel: | Mgr. Ladislav Peška, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 08.12.2018 |
| Datum zadání: | 04.01.2019 |
| Datum potvrzení stud. oddělením: | 27.03.2019 |
| Datum a čas obhajoby: | 27.06.2019 09:30 |
| Datum odevzdání elektronické podoby: | 13.05.2019 |
| Datum odevzdání tištěné podoby: | 17.05.2019 |
| Datum proběhlé obhajoby: | 27.06.2019 |
| Oponenti: | RNDr. Štěpán Balcar |
| Zásady pro vypracování |
| Řešitel nejprve získá přehled v oblasti doporučovacích systémů [1-5] se zaměřením na music recommender systems, playlist continuation problem a deep learning metody pro content-based doporučování a analýzu audio stopy [6-11].
Řešitel na základě prostudované literatury vybere, případně navrhne několik podobnostních/doporučovacích metod pokrývajících různé aspekty vstupních dat (song lyrics, audio signal, případně i collaborative filtering) a porovná jejich vhodnost na zvolené datové sadě. Následně budou vybrané metody implementovány jako součást aplikace pro doporučování hudby. |
| Seznam odborné literatury |
| 1. Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011
2. Jannach, D. et al (Eds): Recommender Systems: An Introduction, Cambridge University Press, 2011 3. Massimo Quadrana, Alexandros Karatzoglou, Balázs Hidasi, Paolo Cremonesi: Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks. RecSys 2017: 130-137 4. Dietmar Jannach, Malte Ludewig: When Recurrent Neural Networks meet the Neighborhood for Session-Based Recommendation. RecSys 2017: 306-310 5. Elena Smirnova, Flavian Vasile: Contextual Sequence Modeling for Recommendation with Recurrent Neural Networks. DLRS@RecSys 2017: 2-9 6. Alexandros Karatzoglou, Balázs Hidasi: Deep Learning for Recommender Systems (Tutorial). RecSys 2017: 396-397 7. Renato L. F. Cunha, Evandro Caldeira, Luciana Fujii: Determining Song Similarity via Machine Learning Techniques and Tagging Information,https://arxiv.org/pdf/1704.03844.pdf 8. Theodoros Giannakopoulos: pyAudioAnalysis: An Open-Source Python Library for Audio Signal Analysis, https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0144610 9. Elias Pampalk, Computational Models of Music Similarity and their Application in Music Information Retrieval; Ph.D. thesis, TU Wien, 2006 10. Malcolm Slaney, Kilian Weinberger, William White: LEARNING A METRIC FOR MUSIC SIMILARITY, ISMIR 2008 11. RecSys Challenge, 2018, Creative Track; http://www.recsyschallenge.com/2018/ |
| Předběžná náplň práce |
| Doporučování hudebních skladeb je podoblast doporučovacích systémů s řadou specifických vlastností a požadavků. Krátká průměrná délka skladeb vytváří požadavek na automatické pokračování poslechu (playlist continuation) a zvyšuje důležitost přesných top-1 doporučení. Oproti jiným doménám je možné využít bohatých obsahových dat a metadat a zapojit, například, různé varianty deep learning metod pro analýzu textu písní či zvukové stopy.
Cílem práce je na zvolené datové sadě otestovat různé metody pro určování podobností/doporučování hudebních skladeb, především pak deep learning metody analyzující podobnost textu (song lyrics) a zvukovou stopu skladby. Vybrané metody budou následně implementovány jako součást aplikace na doporučování hudby na základě uživatelských preferencí. |