Collaborative filtering recommender systems in music recommendation

• Autorzy: Kużelewska U. , Ducki R.

Warianty tytułu

PL

Systemy typu Collaborative Filtering w rekomendacji muzyki

• Języki publikacji: EN

Abstrakty

EN

Nowadays, the primary place of information exchange is the internet. Its features, such as: availability, unlimited capacity and diversity of information influenced its unrivalled popularity, making the internet a powerful platform for storage, dissemination and retrieval of information. On the other hand, the internet data are highly dynamic and unstructured. As a result, the internet users face the problem of data overload. Recommender systems help the users to find the products, services or information they are looking for. The article presents a recommender system for music artist recommendation. It is composed of user-based as well as item-based procedures, which can be selected dynamically during a user’s session. This also includes different similarity measures. The following measures are used to assess the recommendations and adapt the appropriate procedure: RMSE, MAE, Precision and Recall. Finally, the generated recommendations and calculated similarities among artists are compared with the results from LastFM service.

PL

W obecnych czasach głównym miejscem wymiany informacji jest internet. Jego cechy, takie jak: wysoka dostępność, nieograniczona pojemność i różnorodność informacji wpłynęły na jego niezrównana popularność. W ten sposób internet stał się potężną platformą do przechowywania, rozpowszechniania i udostępniania informacji. Z drugiej strony, dane internetowe są bardzo dynamiczne i niestrukturalizowane. W rezultacie, użytkownicy internetu muszą radzić sobie z problemem przeładowania danych. Systemy rekomendujące służą pomocą użytkownikom w celu znalezienia poszukiwanych produktów, usług lub informacji. W artykule przedstawiono system rekomendujący artystów muzycznych. Składa się on z procedur typu user-based oraz item-based oraz różnych sposobów szacowania podobieństwa, które mogą˛ być zmieniane dynamicznie podczas sesji użytkownika. Do oceny list rekomendacji wykorzystano następujące miary: RMSE, MAE, Precision i Recall. Dodatkowo, wygenerowane rekomendacje i obliczone podobieństwa miedzy artystami są porównywane z wynikami z serwisu LastFM .

Słowa kluczowe

EN

collaborative filtering; music recommendations; recommender systems

PL

systemy rekomendujące; rekomendacja muzyki; wspólna filtracja

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Advances in Computer Science Research
• Rocznik: 2013
• Tom: Nr 10
• Strony: 67--79
• Opis fizyczny: Bibliogr. 16 poz., rys., tab., wykr.

Twórcy

autor

Kużelewska U.

• Faculty of Computer Science, Bialystok University of Technology, Białystok, Poland

autor

Ducki R.

• Student of Faculty of Computer Science, Bialystok University of Technology, Białystok, Poland

Bibliografia

• [1] S.S. Anand, B. Mobasher, Intelligent techniques for web personalization, Lecture Notes in Computer Science, vol.3169 (2005), pp. 1-36.
• [2] K. Bischoff et all, Music mood and theme classification - a hybrid approach, 10th International Society for Music Information Retrieval Conference, 2009, pp. 657-662.
• [3] G. Bonnin, D. Jannach, Evaluating the quality of playlists based on hand-crafted samples, 14th International Society for Music Information Retrieval Conference, 2013, pp. 263-268.
• [4] D. Bridge, J. Kelleher, Experiments in Sparsity Reduction: Using Clustering in Collaborative Recommenders, Lecture Notes in Computer Science, vol. 2464 (2002), pp. 144-149.
• [5] M.A. Casey et all, Content-based music information retrieval: current directions and future challenges, Proceedings of IEEE, vol.96, no. 4 (2008), pp. 668-696.
• [6] O. Celma, Music Recommendation and discovery - the long tail, long fail, and long play in the digital music space, Springer, 2010
• [7] R. Ducki, System rekomenduja˛cy wykonawców muzycznych (in Polish), Master Thesis supervised by U. Ku˙zelewska, Faculty of Computer Science, Bialystok University of Technology, 2013.
• [8] J.L. Herlocker, Evaluating Collaborative Filtering Recommender Systems, ACM Transactions on Information Systems, vol. 22, no. 1 (2004), pp. 5–53.
• [9] D. Jannach et all, Recommender Systems: An Introduction, Cambridge University Press, 2010
• [10] S. Panagiotis et all, Ternary Semantic Analysis of Social Tags for Personalized Music Recommendation, 9th International Society for Music Information Retrieval Conference, 2008, pp. 219-224.
• [11] F. Ricci et all, Recommender Systems Handbook, Springer, 2010.
• [12] B. Sarwar et all, Analysis of recommendation algorithms for E-commerce, 2nd ACM Conference on Electronic Commerce, 2000, pp. 285–295.
• [13] B. Sarwar et all, Recommender Systems for Large-Scale E-Commerce: Scalable Neighborhood Formation Using Clustering, 5th International Conference on Computer and Information Technology, 2002.
• [14] Y. Song,S. Dixon, M. Pearce, A Survey of Music Recommendation Systems and Future Perspectives, 9th International Symposium on Computer Music Modelling and Retrieval (CMMR 2012), 2012, pp. 395-410.
• [15] C.N. Ziegler et all, Improving Recommendation Lists through Topic Diversification, 14th International Conference on WWW, ACM Press, 2005, pp. 22-32.
• [16] Apache Mahout, Open-source data mining library, [http://www.mahout. apache.org], accessed 20.10.2013.