Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: music recommendations

Sortuj według:

Ogranicz wyniki do:

The influence of listener personality on music choices

Kleć M.

Computer Science

2017

Vol. 18 (2)

163--178

To deliver better recommendations, music information systems need to go beyond standard methods for the prediction of musical taste. Tracking the listener’s emotions is one way to improve the quality of recommendations. This can be achieved explicitly by asking the listener to report his/her emotional state or implicitly by tracking the context in which the music is heard. However, the factors that induce particular emotions vary among individuals. This paper presents the initial research on the influence of an individual’s personality on his or her choice of music. The psychological profile of a group of 16 students was determined by a questionnaire. The participants were asked to label their own music collections, listen to the music, and mark their emotions using a custom application. Statistical analysis revealed correlations between low-level audio features, personality types, and the emotional states of the students.

Collaborative filtering recommender systems in music recommendation

Kużelewska U., Ducki R.

Advances in Computer Science Research

2013

Nr 10

67--79

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.

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 .