Similarity methods for music recommender systems

• Thesis title in Czech: Analýza metod podobnosti pro doporučování hudebních skladeb
• Thesis title in English: Similarity methods for music recommender systems
• Key words: doporučování hudby, učení vlastností bez učitele, podobnost skladeb podle audia, podobnost skladeb podle textu
• English key words: music recommendation, unsupervised feature learning, audio-based song similarity, lyrics-based song similarity
• Academic year of topic announcement: 2018/2019
• Thesis type: Bachelor's thesis
• Thesis language: angličtina
• Department: Department of Software Engineering (32-KSI)
• Supervisor: Mgr. Ladislav Peška, Ph.D.
• Author: hidden - assigned and confirmed by the Study Dept.
• Date of registration: 08.12.2018
• Date of assignment: 04.01.2019
• Confirmed by Study dept. on: 27.03.2019
• Date and time of defence: 27.06.2019 09:30
• Date of electronic submission: 13.05.2019
• Date of submission of printed version: 17.05.2019
• Date of proceeded defence: 27.06.2019
• Opponents: RNDr. Štěpán Balcar, Ph.D.

Guidelines

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.

References

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/

Preliminary scope of work

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.