=Paper=
{{Paper
|id=Vol-1197/paper23
|storemode=property
|title=Автоматическая расстановка рейтинга музыкальным произведениям на основе неявных оценок
(Automatic Music Rating Based on Implicit Assessments)
|pdfUrl=https://ceur-ws.org/Vol-1197/paper23.pdf
|volume=Vol-1197
|dblpUrl=https://dblp.org/rec/conf/aist/Smagin14
}}
==Автоматическая расстановка рейтинга музыкальным произведениям на основе неявных оценок
(Automatic Music Rating Based on Implicit Assessments)==
https://ceur-ws.org/Vol-1197/paper23.pdf
Автоматическая расстановка рейтинга
музыкальным произведениям на основе
неявных оценок
Сергей Смагин
Тульский государственный университет, Тула, Россия
smaginsergey1310@gmail.com
Аннотация В настоящее время людям приходится взаимодейство-
вать с огромным количеством различных данных. Помочь ему в этом
призваны рекомендательные системы. В частности, у слушателя му-
зыки на электронных устройствах обычно достаточно большой спи-
сок воспроизведения, и не каждая композиция в таком списке ему мо-
жет одинаково нравиться. В данной статье описан подход к вычисле-
нию рейтинга музыкальных композиций на основе неявных оценок.
Ключевые слова: рекомендательные системы, рейтинг музыки.
1 Введение
Программными музыкальными проигрывателями пользуется большое чис-
ло человек. У многих слушателей большой список воспроизведения, кото-
рый часто состоит из песен, которые пользователь не хотел бы слушать по
той или иной причине (например, они надоели или их скачали вместе с дру-
гими песнями того же исполнителя и она оказалась неудачной). Одним из
решений такой проблемы является методичное переслушивание всего спис-
ка воспроизведения и удаление нежелательных к прослушиванию треков.
Недостатки этого подхода очевидны:
– Не каждый захочет уделить несколько часов (а в худшем случае — дней)
на приведение коллекции в порядок.
– Будут появляться новые песни, старые будут надоедать и через некото-
рое время список воспроизведения снова будет наполнен композициями,
которые не хочется слушать.
Другим решением этой проблемы может быть рекомендательная систе-
ма. Пользователь сам оценит некоторые треки, чтобы система проигрывала
их чаще других.
Как известно, рекомендательные системы бывают построены на явных
или неявных оценках1 . Пример рекомендательной системы с явными оцен-
ками — применяемая во многих проигрывателях схема со “звездами” вместо
1
https://ru.wikipedia.org/wiki/Рекомендательная_система/Методика
156
оценок. Но для большинства людей такая система также неэффективна —
расставлять оценки каждый раз нужно вручную, а это ненамного лучше
ручного удаления композиций.
Рекомендательная система на основе неявных оценок в этом случае вы-
глядит гораздо предпочтительнее, поскольку прослушивание музыки в боль-
шинстве случаев — фоновая задача. Неявными оценками в данном случае
будут действия пользователя музыкального проигрывателя.
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 расши-
рений имеют систему оценки композиций с применением «звезд».
В Интернете существует сразу несколько известных сервисов для оцен-
ки 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 прослу-
шиваний. В разработанном алгоритме применена следующая формула:
1
r= , (1)
lg(10 + i · lc)
где i — коэффициент влияния возраста, показывает, с какой скоростью песни
устаревают (по умолчанию рейтинг уменьшается вполовину после 90 про-
слушиваний) и lc — количество прослушиваний.
Во-вторых, рейтинг песни должен быстро (гораздо быстрее, чем при про-
слушивании) уменьшаться при переключении. Была применена формула:
nr = or · (1 − si · (1 − sr)), (2)
где nr, or — новое и старое значения рейтинга песни, si — коэффициент влия-
ния переключения песни (по умолчанию рейтинг песни может максимально
уменьшиться на 0.2 от прошлого значения), sr — прослушанная доля песни.
2
http://amarok.kde.org/
3
http://www.clementine-player.org/
4
http://www.lastfm.ru/
157
1.0
0.7
0.9
0.8
0.5
ar
sr
0.7
0.3
0.6
0.5
0.1
0 20 40 60 80 100 2 4 6 8 10
x x
(a) Снижение рейтинга песни в зависи- (b) Снижение рейтинга песни в зависи-
мости от количества прослушиваний мости от количества пропусков
Рис. 1: Графики уменьшения рейтинга песни
Формулы (1) и (2) формируют рейтинги композиции (максимальное зна-
чение по каждому критерию — единица). Для получения общего рейтинга
нужно перемножить значения критериев. Начальное значение по каждому
следует взять максимальным, поскольку новые песни хочется прослушать
сразу после добавления. Достоинства такого подхода:
– Конфигурируемость — пользователь может задать соответствующие ко-
эффициенты влияния по своему вкусу.
– Неявные оценки — пользователю не нужно делать ничего специального
для того, чтобы система работала.
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 архитек-
туры mpd.
4 Оценка качества рекомендаций
Для оценки качества рекомендаций поставим следующий эксперимент.
Возьмем несколько песен разной длины. Пусть одна из них условно нравит-
ся, 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/
158
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 про-
изведений на основе неявных оценок. Данный алгоритм относительно прост
и основывается на поведенческих признаках, которые подходят большин-
ству людей. При испытании программы, реализующей данный алгоритм,
была подтверждена ее способность к решению поставленной задачи и эф-
фективность.
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 мо-
жет быть расположен слушать разные песни.
Список литературы
1. Kordumova, Suzana et al. Personalized implicit learning in a music recommender
system. User Modeling, Adaptation, and Personalization. Springer Berlin Heidelberg,
2010. 351-362.
2. Kim, Hyun-Jun, and Young Sang Choi. EmoSens: Affective entity scoring, a novel
service recommendation framework for mobile platform. Workshop on personalization
in mobile application of the 5th international conference on recommender system.
2011.
3. The International Society for Music Information Retrieval, http://www.ismir.net.
4. Zaharchuk, Vasily et al. A new recommender system for the interactive radio
network fmhost. Proceedings of the international workshop on experimental
economics and machine learning (EEML). 2012.
159
Automatic Music Rating Based on Implicit
Assessments
Sergey Smagin
Tula State University, Tula, Russia
smaginsergey1310@gmail.com
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.
160