Advertisement

Empfehlungssysteme, automatische Erzeugung von Wiedergabelisten und Musikdatenbanken

  • Dietmar Jannach
  • Lukas Lerche
  • Geoffray Bonnin
Living reference work entry
Part of the Springer Reference Psychologie book series (SRP)

Zusammenfassung

Die passende Musik für einen gewünschten Anwendungszweck auszuwählen, etwa für eine Wiedergabeliste für Hintergrundmusik oder als Untermalung in einem Werbespot, ist aufgrund von verschiedensten Anforderungen und der schieren Menge an verfügbaren Stücken ein aufwändiger Prozess. Es existieren zahlreiche Kriterien, beispielsweise Metadaten, aber auch die Beschaffenheit der Musik selbst, anhand derer ein Stück charakterisiert werden kann. Mithilfe von Empfehlungssystemen – speziellen Algorithmen, die Elemente anhand festgelegter Kriterien auswählen können – lässt sich dieser Prozess vereinfachen und teilweise automatisieren. Ihre Daten beziehen solche Systeme oft aus sogenannten Musikdatenbanken, die Informationen über Musikstücke aggregieren und kategorisieren, und damit die Möglichkeit bieten, Titel nach verschiedenen Kriterien zu finden, dem Anwendungszweck gemäß auszuwählen und oft auch direkt zu erwerben oder abzuspielen. In diesem Kapitel wird das Problem der automatisierten Erstellung von Wiedergabelisten charakterisiert sowie algorithmische Ansätze im Überblick vorgestellt. Anschließend wird eine Übersicht über aktuelle Online-Musikdatenbanken gegeben.

Schlüsselwörter

Wiedergabelisten Musikempfehlung Digitale Musik Metadaten Musikdatenbanken 

Literatur

  1. Aizenberg N, Koren Y, Somekh O (2012) Build your own music recommender by modeling internet radio streams. In: WWW ’12 – Proceedings of the 21st International Conference on World Wide Web, S 1–10Google Scholar
  2. Alghoniemy M, Tewfik AH (2000) User-defined music sequence retrieval. In: Multimedia ’00 – Proceedings of the Eighth ACM International Conference on Multimedia, S 356–358Google Scholar
  3. Anderson C (2009) Free – the future of a radical price. Random House, LondonGoogle Scholar
  4. Andric A, Haus G (2005) Estimating quality of playlists by sight. In: Proceedings of the 1st International Conference on Automated Production of Cross Media Content for Multi-channel Distribution, S 68–74Google Scholar
  5. Baccigalupo CG (2009) Poolcasting: an intelligent technique to customise musical programmes for their audience. Dissertation, Universitat Autònoma de BarcelonaGoogle Scholar
  6. Baccigalupo CG, Plaza E (2006) Case-based sequential ordering of songs for playlist recommendation. In: ECCBR ’06 – Proceedings of the 8th European Conference on Advances in Case-based Reasoning, S 286–300Google Scholar
  7. Barrington L, Reid O, Lanckriet G (2009) Smarter than genius? Human evaluation of music recommender systems. In: ISMIR ’09 – Proceeding of the 2009 International Symposium on Music Information Retrieval, S 357–362Google Scholar
  8. Baur D, Boring S, Butz A (2010) Rush: repeated recommendations on mobile devices. In: IUI ’10 – Proceedings of the 15th International Conference on Intelligent User Interfaces, S 91–100Google Scholar
  9. Biehl JT, Adamczyk PD, Bailey, BP (2006) DJogger: a mobile dynamic music device. In: CHI ’06 – Proceedings of the 2006 Conference on Human Factors in Computing Systems, S 556–561Google Scholar
  10. Blum TL, Keislar DF, Wheaton JA, Wold EH (1999) Method and article of manufacture for content-based analysis, storage, retrieval, and segmentation of audio information. US Patent 5,918,223Google Scholar
  11. Bogdanov D, Herrera P (2011) How much metadata do we need in music recommendation? A subjective evaluation using preference sets. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 97–102Google Scholar
  12. Bonnin G, Jannach D (2013) Evaluating the quality of playlists based on hand-crafted samples. In: ISMIR ’13 – Proceedings of the 2013 International Symposium on Music Information Retrieval, S 263–268Google Scholar
  13. Bonnin G, Jannach D (2014) Automated generation of music playlists: survey and experiments. ACM Computing Surveys 47(2): 1–35Google Scholar
  14. Bosteels K, Pampalk E, Kerre EE (2009) Evaluating and analysing dynamic playlist generation heuristics using radio logs and fuzzy set theory. In: ISMIR ’09 – Proceedings of the 2009 International Symposium on Music Information Retrieval, S 351–356Google Scholar
  15. Bullerjahn C (2001) Grundlagen der Wirkung von Filmmusik. Wißner Verlag, AugsburgGoogle Scholar
  16. Burke R (2002) Hybrid recommender systems: survey and experiments. User Modeling and User-Adapted Interaction 12:331–370CrossRefGoogle Scholar
  17. Cai R, Zhang C, Zhang L, Ma WY (2007) Scalable music recommendation by search. In: Multimedia ’07 – Proceedings of the Eighth ACM International Conference on Multimedia, S 1065–1074Google Scholar
  18. Chedrawy Z, Raza Abidi SS (2009) A web recommender system for recommending. Predicting and personalizing music playlists. In: WISE ’09 – Proceedings of the 2009 International Conference on Web Information Systems Engineering, S 335–342Google Scholar
  19. Chen S, Moore JL, Turnbull D, Joachims T (2012) Playlist prediction via metric embedding. In: KDD ’12 – Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, S 714–722Google Scholar
  20. Cliff D (2006) hpDJ: an automated DJ with floorshow feedback. Consuming music together. S 241–264Google Scholar
  21. Coelho F, Devezas J, Ribeiro C (2013) Large-scale crossmedia retrieval for playlist generation and song discovery. In: OAIR ’13 – Proceedings of the 10th Conference on Open Research Areas in Information Retrieval, S 61–64Google Scholar
  22. Crampes M, Villerd J, Emery A, Ranwez S (2007) Automatic playlist composition in a dynamic music landscape. In: SADPI ’07 – Proceedings of the 2007 International Workshop on Semantically Aware Document Processing and Indexing, S 15–20Google Scholar
  23. Cunningham S, Bainbridge D, Falconer A (2006) „More of an art than a science“: supporting the creation of playlists and mixes. In: ISMIR ’06 – Proceedings of the 2006 International Symposium on Music Information Retrieval, S 240–245Google Scholar
  24. Dias R, Fonseca MJ (2010) MuVis: an application for interactive exploration of large music collections. In: MM ’10 – Proceedings of the 2010 International Conference on Multimedia, S 1043–1046Google Scholar
  25. Domingues MA, Gouyon F, Jorge AM, Lea JP, Vinagre J, Lemos L, Sordo M (2012) Combining usage and content in an online music recommendation system for music in the long-tail. In: WWW ’12 – Proceedings of the 21st International Conference on World Wide Web, S 925–930Google Scholar
  26. Dopler M, Schedl M, Pohle T, Knees P (2008) Accessing music collections via representative cluster prototypes in a hierarchical organization scheme. In: ISMIR ’08 – Proceedings of the 2008 International Symposium on Music Information Retrieval, S 179–184Google Scholar
  27. Dörr J, Wagner T, Benlian A, Hess T (2013) Music as a Service: Eine Alternative für Musikpiraten? Eine empirische Untersuchung zur Nutzungsintention von Streaming-Services für Musik. Wirtschaftsinformatik 55:377–393CrossRefGoogle Scholar
  28. Eggebrecht HH (1995) Terminologie der Musik im 20. Jahrhundert. Franz Steiner Verlag, WiesbadenGoogle Scholar
  29. Fields B, Rhodes C, Casey M, Jacobson K (2008) Social playlists and bottleneck measurements: exploiting musician social graphs using content-based dissimilarity and pairwise maximum flow values. In: ISMIR ’08 – Proceedings of the 2008 International Symposium on Music Information Retrieval, S 559–564Google Scholar
  30. Flexer A, Schnitzer D, Gasser M, Widmer G (2008) Playlist generation using start and end songs. In: ISMIR ’08 – Proceedings of the 2008 International Symposium on Music Information Retrieval, S 173–178Google Scholar
  31. Germain A, Chakareski J (2013) Spotify Me: Facebook-assisted automatic playlist generation. In: MMSP ’13 – Proceedings of the 15th International Workshop on Multimedia Signal Processing, S 25–28Google Scholar
  32. Handwörterbuch der musikalischen Terminologie (HmT), Staatliches Institut für Musikforschung, 22. Auslieferung (1994)Google Scholar
  33. Hansen DL, Golbeck J (2009) Mixing it up: recommending collections of items. In: CHI ‘09 – Proceedings of the 2009 SIGCHI Conference on Human Factors in Computing Systems, S 1217–1226Google Scholar
  34. Hariri N, Mobasher B, Burke R (2012) Context-aware music recommendation based on latent topic sequential patterns. In: RecSys ’12 – Proceedings of the Sixth ACM Conference on Recommender Systems, S 131–138Google Scholar
  35. Hess T, Ünlü V (2004) Systeme für das Management digitaler Rechte. Wirtschaftsinformatik 46:273–280CrossRefGoogle Scholar
  36. Hilliges O, Holzer P, Klüber K, Butz A (2006) AudioRadar: a metaphorical visualization for the navigation of large music collections. In: Proceedings of the 2006 International Symposium on Smart Graphics, S 82–92Google Scholar
  37. Hu Y, Ogihara M (2011) Next one player: a music recommendation system based on user behavior. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 103–108Google Scholar
  38. Jannach D, Zanker M, Felfernig A, Friedrich G (2011) Recommender systems – an introduction. Cambridge University Press, New YorkGoogle Scholar
  39. Kamalzadeh B, Baur D, Möller T (2012) A survey on music listening and management behaviours. In: ISMIR ’12 – Proceedings of the 2012 International Symposium on Music Information Retrieval, S 373–378Google Scholar
  40. Knees P, Pohle T, Schedl M, Widmer G (2006) Combining audio-based similarity with Web-based data to accelerate automatic music playlist generation. In: MIR ’06 – Proceedings of the 8th ACM International Workshop on Multimedia Information Retrieval, S 147–154Google Scholar
  41. Lampropoulos AS, Sotiropoulos D, Tsihrintzis GA (2012) Evaluation of a cascade hybrid recommendation as a combination of one-class classification and collaborative filtering. In: ICTAI ’12 – Proceedings of the 2012 I.E. 24th International Conference on Tools with Artificial Intelligence, S 674–681Google Scholar
  42. Lee K, Cho M (2011) Mood classfication from musical audio using user group-dependent models. In: ICMLA ’11 – Proceedings of the 10th International Conference on Machine Learning and Applications and Workshops, S 130–135Google Scholar
  43. Lee JH, Bare B, Meek G (2011) How similar is too similar? Exploring users’ perceptions of similarity in playlist evaluation. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 109–114Google Scholar
  44. Logan B (2002) Content-based playlist generation: exploratory experiments. In: ISMIR ’02 – Proceedings of the 2002 International Symposium on Music Information Retrieval, S 295–296Google Scholar
  45. Logan B (2004) Music recommendation from song sets. In: ISMIR ’04 – Proceedings of the 2004 International Symposium on Music Information Retrieval, S 425–428Google Scholar
  46. McDermott J (2012) Auditory preferences and aesthetics: music, voices, and everyday sounds. In: Neuroscience of performance and choice. Academic, San Diego, S 227–256CrossRefGoogle Scholar
  47. McFee B, Lanckriet GRG (2011) The natural language of playlists. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 537–542Google Scholar
  48. McFee B, Lanckriet GRG (2012) Hypergraph models of playlist dialects. In: ISMIR ’12 – Proceedings of the 2012 International Symposium on Music Information Retrieval, S 343–348Google Scholar
  49. Meyers OC (2007) A mood-based music classification and exploration system. Master’s thesis, Massachusetts Institute of TechnologyGoogle Scholar
  50. Moore JL, Chen S, Joachims T, Turnbull D (2012) Learning to embed songs and tags for playlist prediction. In: ISMIR ’12 – Proceedings of the 2012 International Symposium on Music Information Retrieval, S 349–354Google Scholar
  51. Pachet F, Roy P, Cazaly D (2000) A combinatorial approach to content-based music selection. Multimedia 7:44–51CrossRefGoogle Scholar
  52. Pauws S, van deWijdeven S (2005) User evaluation of a new interactive playlist generation concept. In: ISMIR ’05 – Proceedings of the 2005 International Symposium on Music Information Retrieval, S 638–643Google Scholar
  53. Pauws S, Verhaegh W, Vossen M (2008) Music playlist generation by adapted simulated annealing. Inf Sci 178:647–662CrossRefGoogle Scholar
  54. Pohle T, Pampalk E, Widmer G (2005) Generating similarity-based playlists using traveling salesman algorithms. In: DAFx ’05 – Proceedings of the 2005 International Conference on Digital Audio Effects, S 220–225Google Scholar
  55. Reddy S, Mascia J (2006) Lifetrak: music in tune with your life. In: Proceedings of the 1st ACM International Workshop on Human-centered Multimedia, S 25–34Google Scholar
  56. Reynolds G, Barry D, Burke T, Coyle E (2008) Interacting with large music collections: towards the use of environmental metadata. In: ICME ’08 – Proceedings of the 2008 International Congress on Mathematical Education, S 989–992Google Scholar
  57. Sandvold V, Aussenac T, Celma O, Herrera P (2006) Good vibrations: music discovery through personal musical concepts. In: ISMIR ’06 – Proceedings of the 2006 International Symposium on Music Information Retrieval, S 322–323Google Scholar
  58. Sarroff AM, Casey M (2012) Modeling and predicting song adjacencies. In: Commercial albums. SMC ’12 – Proceedings of the 9th Sound and Music Computing Conference, S 364–371Google Scholar
  59. Schmädecke I, Blume H (2013) High performance hardware architectures for automated music classification. In: Algorithms from and for nature and life. Springer, Cham, S 539–547CrossRefGoogle Scholar
  60. Sinha RK, Machado FS, Sellman C (2010) Don’t think twice, it’s all right: music piracy and pricing in a DRM-free environment. J Mark 74:40–54CrossRefGoogle Scholar
  61. Slaney M, White W (2006) Measuring playlist diversity for recommendation systems. In: AMCMM ’06 – Proceedings of the 1st ACM Workshop on Audio and Music Computing Multimedia, S 77–82Google Scholar
  62. Slaney M, White W (2007) Similarity based on rating data. In: ISMIR ’07 – Proceedings of the 2007 International Symposium on Music Information Retrieval, S 479–484Google Scholar
  63. Tzanetakis G (2002) Manipulation, analysis and retrieval systems for audio signals. Dissertation, Princeton UniversityGoogle Scholar
  64. van Gulik R, Vignoli F (2005) Visual playlist generation on the artist map. In: ISMIR ’05 – Proceedings of the 2005 International Symposium on Music Information Retrieval, S 520–523Google Scholar
  65. Vatolkin I, Preuß M, Rudolph G (2011) Multi-objective feature selection in music genre and style recognition tasks. In: GECCO ’11 – Proceedings of the 13th Annual Conference on Genetic and Evolutionary Computation, S 411–418Google Scholar
  66. Zentner A (2006) Measuring the effect of file sharing on music purchases. J Law Econ 49:63–90CrossRefGoogle Scholar
  67. Zheleva E, Guiver J, Mendes Rodrigues E, Milić-Frayling N (2010) Statistical models of music-listening sessions in social media. In: WWW ’10 – Proceedings of the 2010 International Conference on World Wide Web, S 1019–1028Google Scholar

Weiterführende Literatur

  1. Bonnin G, Jannach D (2014) Automated generation of music playlists: survey and experiments. ACM Computing Surveys 47(2): 1–35. Die Arbeit klassifiziert aktuelle Forschungsansätze zur automatischen Erzeugung von Playlisten, stellt Methoden zur Qualitätsbestimmung dar und zieht einen quantitativen Vergleich typischer Verfahren für Musikempfehlungen. Google Scholar
  2. Celma Ò (2010) Music recommendation and discovery: the long tail, long fail, and long play in the digital music space. Springer, Berlin. Anhand praktischer Beispiele gibt das Buch eine Einführung in Musikempfehlungssysteme und beschäftigt sich insbesondere mit den Einschränkungen und Problemen aktueller Ansätze in Bezug auf die Vielfalt und Nützlichkeit der Empfehlungen CrossRefGoogle Scholar
  3. Jannach D, Zanker M, Felfernig A, Friedrich G (2011) Recommender systems – an introduction. Cambridge University Press, New York. Das Lehrbuch bietet einen Überblick über die verschiedenen Arten von Empfehlungssystemen, stellt aktuelle Ansätze und Fragestellungen aus der Forschung vor und diskutiert anhand von Fallstudien Möglichkeiten zur Bestimmung der Effektivität von Empfehlungssystemen Google Scholar
  4. Kaminskas M, Ricci F (2012) Contextual music information retrieval and recommendation: state of the art and challenges. Computer Science Review 6(2):89–119. Die Arbeit bietet einen allgemeinen Überblick über Konzepte von Music Information Retrieval und Musikempfehlungssystemen und behandelt vor allem das Thema der sozialen und kontextbasierten Systeme in diesem Bereich CrossRefGoogle Scholar
  5. Ricci F, Rokach L, Shapira B, Kantor PB (2010) Recommender systems handbook. Springer, New York. Neben einer allgemeinen Einführung in das Thema bietet das Buch weitreichende Einblicke in Konzepte, Theorien, Methoden, Trends, Herausforderungen und Anwendungsmöglichkeiten von Empfehlungssystemen, die von Experten aus den jeweiligen Teildisziplinen zusammengetragen wurden Google Scholar

Internetlinks

  1. Apple iTunes. Resource document. www.apple.com/itunes/. Zugegriffen am 08.01.2017
  2. Auflistung von Musikdatenbanken. https://en.wikipedia.org/wiki/List_of_online_music_databases. Zugegriffen am 08.01.2017
  3. Bundesverband Musikindustrie. Resource document. http://www.musikindustrie.de/download-jahrbuch/. Zugegriffen am 08.01.2017
  4. Creative Commons. Resource document. http://de.creativecommons.org/was-ist-cc/. Zugegriffen am 08.01.2017
  5. Goto M (2012) RWC music database. Resource document. http://staff.aist.go.jp/m.goto/RWC-MDB/. Zugegriffen am 08.01.2017
  6. Jahreswirtschaftsbericht 2014 des Bundesverband Musikindustrie. http://www.musikindustrie.de/download-jahrbuch/. Zugegriffen am 08.01.2017
  7. McGrady R (2015) List of online music databases: revision history. Resource document. http://en.wikipedia.org/wiki/List_of_online_music_databases. Zugegriffen am 08.01.2017
  8. Million Song Dataset. Resource document. http://labrosa.ee.columbia.edu/millionsong/. Zugegriffen am 08.01.2017
  9. Riaa. Resource document. https://www.riaa.com/reports/. Zugegriffen am 08.01.2017
  10. Spotify. Resource document. https://press.spotify.com/us/about/. Zugegriffen am 08.01.2017
  11. Spotify. Resource document. https://news.spotify.com/us/2015/01/12/15-million-subscribers/. Zugegriffen am 08.01.2017
  12. Umsatzzahlen des US-Musikmarks der Recording Industry Association of America. https://www.riaa.com/reports/. Zugegriffen am 08.01.2017
  13. Vortrag „Collaborative Filtering with Spark“ von Chris Johnson, Spotify. http://de.slideshare.net/MrChrisJohnson/collaborative-filtering-with-spark. Zugegriffen am 08.01.2017
  14. Vortrag „Music Recommendation and Discovery“ von Paul Lamere und Òscar Celma. http://de.slideshare.net/plamere/music-recommendation-and-discovery. Zugegriffen am 08.01.2017
  15. Wikipedia. Resource document. http://en.wikipedia.org/wiki/List_of_most_viewed_YouTube_videos. Zugegriffen am 08.01.2017
  16. Wikipedia. Resource document. http://en.wikipedia.org/wiki/List_of_online_music_databases. Zugegriffen am 08.01.2017

Copyright information

© Springer Fachmedien Wiesbaden GmbH 2016

Authors and Affiliations

  • Dietmar Jannach
    • 1
  • Lukas Lerche
    • 2
  • Geoffray Bonnin
    • 3
  1. 1.Lehrstuhl Informatik 13TU DortmundDortmundDeutschland
  2. 2.Universitätsbibliothek DortmundTU DortmundDortmundDeutschland
  3. 3.LORIA Campus ScientifiqueVandœuvre-lés-NancyFrankreich

Personalised recommendations