음원 메타데이터 임베딩을 활용한사용자 플레이리스트 기반 음악 추천
User Playlist-Based Music Recommendation Using Music Metadata Embedding
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
모바일 기기와 네트워크 인프라의 성장은 음악 산업에 상당한 변화를 초래하였다. 온라인 스트리밍 서비스의 등장으로 시공간의 제약 없이음악 청취가 가능해졌고 소비자의 음악 창작과 공유 활동의 증가로 방대한 양의 음원 데이터가 축적되었다. 이로써 사용자의 취향에 맞는 추천을위해 사용자의 행동 데이터를 기반으로 한 개인 맞춤형 음악 추천 모델이 활발히 연구되고 있다. 그러나 신규 사용자의 경우, 데이터가 부족하여적절한 추천이 어려운 콜드 스타트 현상을 초래할 수 있다. 본 연구에서는 플레이리스트를 활용하여 음원 메타데이터를 Song sentence로 정의하고,고차원 벡터 공간에 임베딩하여 유사도를 계산한 추천 알고리즘을 제안한다. 성능 평가 결과 가수, 장르, 작곡가, 작사가, 편곡가, 시대, 계절, 감정,태그 리스트를 모두 활용한 제안하는 음원 추천 알고리즘이 가장 높은 성능을 보임을 알 수 있었다. 제안하는 추천 알고리즘은 사용자의 과거행동 데이터에 기반한 추천 시스템이 아닌 음원이 자체적으로 보유한 정보에 근거하기 때문에 콜드 스타트 현상과 더불어 정보 편식 현상을 보완하여사용자에게 보다 편리한 음악 감상 경험을 제공할 수 있을 것으로 기대된다.
Abstract
The growth of mobile devices and network infrastructure has brought significant changes to the music industry. Online streamingservices has allowed music consumption without constraints of time and space, leading to increased consumer engagement in musiccreation and sharing activities, resulting in a vast accumulation of music data. In this study, we define metadata as “song sentences”by using a user's playlist. To calculate similarity, we embedded them into a high-dimensional vector space using skip-gram with negativesampling algorithm. Performance eva luation results indicated that the recommended music algorithm, utilizing singers, genres, composers,lyricists, arrangers, eras, seasons, emotions, and tag lists, exhibited the highest performance. Unlike conventional recommendation methodsbased on users' behavioral data, our approach relies on the inherent information of the tracks themselves, potentially addressing thecold start problem and minimizing filter bubble phenomena, thus providing a more convenient music listening experience.
참고문헌 (9)
- "기획연재: AI와 음악을 ① 온택트가 가져온 AI음악 전성시대", 최명현[URL]
- J. Gope, "A survey on solving cold start problem in recommender systems", 2017 International Conference on Computing, Communication and Automation (ICCCA), pp.133~138 (2017)
- T. Mikolov, "Efficient estimation of word representations in vector space", International Conference on Learning Representations (2013)
- Z.C heng, "Exploiting music play sequence for music recommendation", International Joint Conference on Artificial Intelligence (IJCAI), 17, pp.3654~3660 (2017)
- O. Barkan, "Item2vec : Neural item embedding for collaborative filtering", 2016 IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP), pp.1~6 (2016)
- H. Lee, "A study on the music recommendation based on user playlist using data embedding", The Journal of Korean Institute of Information Technology, 18(9), pp.27~34 (2020)
- K. S. Yoon, "Analysis of emotions in lyrics by combining deep learning BERT and emotional lexicon", Proceedings of the Korean Society of Computer Information Conference (2022)
- T. Mikolov, "Distributed representations of words and phrases and their compositionality", Advances in Neural Information Processing Systems 26 (2013)