Аннотация В настоящее время людям приходится взаимодействовать с огромным количеством различных данных. Помочь ему в этом призваны рекомендательные системы. В частности, у слушателя музыки на электронных устройствах обычно достаточно большой список воспроизведения, и не каждая композиция в таком списке ему может одинаково нравиться. В данной статье описан подход к вычислению рейтинга музыкальных композиций на основе неявных оценок. Ключевые слова: рекомендательные системы, рейтинг музыки.
2
Существующие решения В Amarok2 и Clementine3 используется следующее решение. Добавляемая в коллекцию песня имеет средний рейтинг и далее, в зависимости от доли прослушанной композиции, рейтинг увеличивается или уменьшается.
Многие программы-проигрыватели базовой поставке или в виде расширений имеют систему оценки композиций с применением ¾звезд¿.
В Интернете существует сразу несколько известных сервисов для оценки музыки (самый известный, должно быть, Last.fm4), для оффлайновых проигрывателей нет широко известной рекомендательной системы. 3
Предлагаемое решение Для решения задачи был придуман алгоритм, основанный на следующих поведенческих признаках: – Много раз прослушанная песня нравится меньше услышанной впервые. – Песни, которые не нравятся, переключают.
Тогда, во-первых, рейтинг должен уменьшаться с количеством прослушиваний. В разработанном алгоритме применена следующая формула: r =
1 lg(10 + i · lc) где i коэффициент влияния возраста, показывает, с какой скоростью песни устаревают (по умолчанию рейтинг уменьшается вполовину после 90 прослушиваний) и lc количество прослушиваний.
Во-вторых, рейтинг песни должен быстро (гораздо быстрее, чем при
прослушивании) уменьшаться при переключении. Была применена формула:
nr = or · (1 − si · (1 − sr)),
где nr, or новое и старое значения рейтинга песни, si коэффициент
влияния переключения песни (по умолчанию рейтинг песни может максимально
уменьшиться на 0.2 от прошлого значения), sr прослушанная доля песни.
(
5 r .0 s 3 . 0
Данный алгоритм реализован в программе autorating5 как клиент для mpd6 системной службы для проигрывания музыки. Данная реализация оказалась очень компактной и простой за счет клиент-серверной архитектуры mpd. 4
Оценка качества рекомендаций Для оценки качества рекомендаций поставим следующий эксперимент. Возьмем несколько песен разной длины. Пусть одна из них условно нравится, другие – нет. Ненравящиеся песни будем пропускать на первых секундах. Будем проигрывать песни 5 кругов. Перед началом проигрывания каждая песня имеет рейтинг 255 (наивысший возможный).
Как видно, песня, условно нравящаяся, по рейтингу далеко опережает те, которые не нравятся, см. таблицу 1. Кроме того, рейтинг последних крайне мало зависит от длины, если треки пропускать на первых секундах (как это обычно делается с ненравящимися композициями). 5 https://github.com/s-mage/autorating 6 http://www.musicpd.org/ Таблица 1: Сравнение рейтинга песен после окончания эксперимента Название Длина, с Нравится? Рейтинг mix 25 3540 нет 70 striken 245 да 216 remember the name 220 нет 71 hybris 206 нет 71 i miss you 366 нет 70 а ну отдай мой каменный топор 120 нет 72 5
Заключение Представлен алгоритм автоматического оценивания музыкальных произведений на основе неявных оценок. Данный алгоритм относительно прост и основывается на поведенческих признаках, которые подходят большинству людей. При испытании программы, реализующей данный алгоритм, была подтверждена ее способность к решению поставленной задачи и эффективность.
Направления дальнейшей работы перечислены ниже. – Больше поведенческих признаков. Например, переключение после паузы может не учитываться (по личному опыту, не всегда хочется слушать даже хорошую песню не с начала). – Добавление возможности пользователю явно выразить отношение к песне и учитывать это в общем рейтинге. – Подстройка под настроение. В зависимости от настроения человек может быть расположен слушать разные песни. Список литературы
Sergey Smagin Abstract. Nowadays people have to interact with huge amount of data. Recommender systems are all about help them with it. Particulaly, music listener often has large playlist and not each track he likes the same. This article describes a way to evaluate music rating based on implicit assessments.
Keywords: music rating, recommender systems.