Müziğin Ve Kullanıcıların Farklı Niteliklerine Göre Melez Müzik Tavsiye Sistemi

Abstract

Günümüzde müzik insanların hayatının önemli bir parçası haline gelmiştir. Müzik çalarlar giderek yaygınlaşmaktadır ve müzik tabanlı uygulamalar içeren birçok cihaz vardır. Cep telefonu bu cihazlardan birisidir. Arayan kişiye ulaşılıncaya kadar zil sesi dinlemek yerine seçilmiş bir şarkıyı dinlemek, çağrı anında telefonun zil sesi yerine müzik parçaları ile çalması, her geçen gün daha fazla kişi tarafından tercih edilen uygulamalardan sadece ikisidir. Müziğin bu kadar yaygın olduğu bir ortamda müzik tercihleri de önem kazanmaktadır. Günümüzde müzik tavsiye sistemleri kişilerin geçmiş tercihlerine bakarak ve onlara ait başka bilgileri kullanarak müzik tavsiyesinde bulunabilecek metodlar üzerinde çalışmaktadırlar. Gerek ticari, gerek akademik anlamda kullanılan birçok müzik tavsiye sistemine İnternet üzerinden de ulaşılabilmektedir. Bu tezde, Zil-Dönüş-Tonu Sistemi ile ya da kişilerin bir miktar şarkı içinden çeşitli şarkılar seçtikleri herhangi bir system ile birlikte çalışabilecek bir müzik tavsiye sistemi üzerinde çalıştık. Bu sistem müzik parçalarını tempo, tını gibi temel özelliklerle temsil eder ve onları bu gösterimdeki uzaklık metriğine gore gruplar. Bir kullanıcıya geçmişte dinlediği şarkılara bakarak bundan sonra dinlemek isteyebileceği şarkıları tavsiye etmeye çalışır. Bunu yaparken, benzer zaman dilimleri içerisinde başka insanların dinledikleri şarkıları dikkate alır. Müzik parçaları arasındaki benzerliğe de parçaların benzerliği ve onların yorumcularının benzerliğine göre karar verir. Bunları dikkate alarak kullanıcıları geçmişteki seçimlerinin benzerliğine göre gruplar. Son olarak bu şarkı ve kullanıcı demetlerini kullanarak kişiye seçmesi muhtemel olan müzik parçalarını tavsiye etmeye çalışır. Bu çalışmada müzik parçalarını tavsiye etmek için 6 adet değişik metod kullanılmıştır. a) İlk önce, kullanıcıların dinledikleri müzik parçaları arasındaki uzaklıklar hesaplanır. Sonra dinlenilen müzik parçalarına en küçük ortalam uzaklıkta olan müzik parçaları tavsiye edilir. (Euclid/Cosine Distance Based Music recommendation) b) Bir kullanıcının dinlediği müzik parçalarının özellikleri, entropi ve popülarite kullanılarak müzik parçaları tavsiye edilir. (Content Based Recommendation Using Entropy and Popularity Metrics) c) Sistemdeki bütün müzik parçaları yakın zaman diliminde dinlenilenler ve uzak zaman diliminde dinlenilenler diye 2 önemli gruba ayrılırlar ve bu gruplardan belli sayılarda şarkı seçilerek müzik parçaları tavsiye edilir. (STA) d) Sistemdeki bütün müzik parçaları değişik niteliklerine (tını, tempo, perdesel özellikler) göre demetlenir. Her kullanıcının değişik niteliklere verdiği önem, kullanıcının daha önceden dinlediği parçalara göre belirlenir ve her niteliğe ait öbekten farklı sayıda müzik parçası tavsiye eden bir yöntem uygulanır. (Simple Adaptive Method, Adaptive Recommendation Method) e) Kullanıcılar benzer tercihlerde bulunan diğer kullanıcılarla demetlenir ve bu duruma göre popülarite, entropi gibi metrikler de kullanılarak müzik parçası tavsiye edilir. (Learning Approach on an Adaptive Music Recommendation System with Popularity Data and Using User Grouping) Bütün bu yöntemleri destekleyerek çalışan müzik tavsiye sistemine bir kullanıcı arayüzü de yazılmıştır. Bu çalışmanın testlerinde bir cep telefonu operatörü için çeşitli müzik içerikli uygulamalar üreten bir firmanın veri kümesi kullanılmıştır. Aynı veri kümesi üzerinde geliştirilen farklı algoritmalar denenmiş ve performansları kıyaslanmıştır. Yapılan test sonuçlarına göre, sadece müzik parçalarının benzerliğinin kullanılması ile %2-5 oranında başarılı öneriler yapılabiliyor iken, kullanıcının önem verdiği müzik özellikleri değerlendirilerek %5-%10, popülarite ve benzer müzik zevki olan kullanıcıların hesaba katılması ile %75 başarı oranı ile öneride bulunma imkanı vardır.Today, music has become an important part of the people’s life. Music players are widely used and there are many tools with music content integrated in some of their applications. Cellular phone is one such tool. When calling someone, hearing the Colored-Ring–Back–Tone which is a selected song, instead of the Ring-Back-Tone or hearing a song when the phone rings instead of the classical ring tone are just two of the applications which are chosen by more people. When music is widely used, music choices become quite important. Music recommendation systems study methods of recommending music to users based on their past music selections and other information about the users. There is academic and commercial music recommendation system available on the internet. In this thesis, we study a music recommendation system that can be used within the Ring-Back-Tone system or any system where a user chooses some songs among a number of choices. Our system represents musical pieces with basic audio features such as beat and timbre and groups them according to a distance metric in this representation. By observing the past choices of a user, it tries to recommend songs that could be chosen by that user. While doing this, it takes into account the songs listened by other users in similar time periods. It uses the similarity among music pieces and their singers to decide on the similarity between music pieces. By using these similarities, it produces groups (clusters) of people who made similar choices in the past. Finally, by using song and user clusters, it tries to recommend audio files that are likely to be selected by a user. We study 6 different methods to recommend music pieces: a) First, distances between music pieces listened by users are calculated. Then the music pieces whose average distance to the songs already listened by the user are recommended. (Euclid/Cosine Distance Based Music recommendation) b) Musical pieces are recommended by using the features of the music pieces listened by the users, entropy and popularity. (Content Based Recommendation Using Entropy and Popularity Metrics) c) All the music pieces in the system are divided into two important groups; the ones are listened in the short period and the ones listened in the long term period. Musical pieces are recommended by selecting a specified number of music pieces from these two groups. (STA) d) All the music pieces in the system are clustered based on different features (timbre, beat, and pitch). The importance of the features is specified based on the musical pieces listened by the users in the past, and different number of music pieces from each cluster of each feature are recommended. (Simple Adaptive Method, Adaptive Recommendation Method) e) Users are clustered with the other users who have similar preferences and musical pieces are recommended via using some metrics such as popularity, entropy. (Learning Approach on an Adaptive Music recommendation System with Popularity Data and Using User Grouping) A graphical user interface is created for the music recommendation system which supports all the above mentioned methods. In this study, a user session dataset provided by a company that produces musical content applications for a cellular phone company is used. Different algorithms are used with this dataset, and their performances are compared. According to test results; while using only the similarity of music pieces it is possible to recommend with %2-5 success rate, by using the features important to a particular user, it is possible to recommend with %5-10 success rate. By using popularity and user clustering the recommendation success ratio increases to %75.