recomendación musical
Transcripción
recomendación musical
IIIA - CSIC Sistemas inteligentes de recomendación musical en el marco de la web social Claudio Baccigalupo – Julio 2008 Escucha lo que quieras “The iTunes Store is the world’s most popular online music, TV and movie store with a catalog of over six million songs.” – Apple Inc. Press Release, May 1st, 2008 Escucha cómo y dónde quieras “In seven years, every song ever recorded in the world will fit into our pockets.” – Sukhinder Singh Cassidy Google Sales President, Asia Pacific and Latin America Operations ¿Qué vas a escuchar? “Kids can spend more time trying to figure out what to listen to [...], than actually spending quality time listening to good music.” – Peter Crabb Assistant Professor of Psychology, Penn State University Recomendaciones musicales en la web ¿Por qué nos gusta la música? John A. Sloboda “The Musical Mind” Daniel J. Levitin “This is your brain on music” ¿Por qué nos gusta la música? Explicación neurológica “An exquisite orchestration of brain regions, involving both the oldest and newest parts of the human brain, and regions as far apart as the cerebellum in the back of the head and the frontal lobes.” – Daniel J. Levitin Associate Professor of Psychology, McGill University ¿Por qué nos gusta la música? Explicación sociológica “Musical preferences also have a large social component based on our knowledge of the singer or musician, on our knowledge of what our family and friends like, and of what the music stands for.” – Daniel J. Levitin Associate Professor of Psychology, McGill University Recomendaciones musicales en la web Análisis de contenido Análisis social Programa 1. Análisis de contenido y recomendaciones musicales “Escuche este tema porque suena como este otro.” 2. Análisis social y recomendaciones musicales “Escuche este tema porque alguien lo relacionó con este otro.” 3. Dos aplicaciones web de recomendación musical “Que hice en tres años de doctorado en inteligencia artificial.” 4. Conclusiones, demostraciones, consejos “Todo lo que siempre quiso saber pero no lo expliqué… ¡pregúntelo!” Programa 1. Análisis de contenido y recomendaciones musicales “Escuche este tema porque suena como este otro.” 2. Análisis social y recomendaciones musicales “Escuche este tema porque alguien lo relacionó con este otro.” 3. Dos aplicaciones web de recomendación musical “Que hice en tres años de doctorado en inteligencia artificial.” 4. Conclusiones, demostraciones, consejos “Todo lo que siempre quiso saber pero no lo expliqué… ¡pregúntelo!” Entender la música Timbre Tempo Ritmo Forma Tono Reverberación Volumen Compases Melodías Claves Armonías Temas Artistas Géneros Similitudes Gustos Entender la música Timbre Tempo Ritmo Forma Tono Reverberación Volumen “fraseo melódico repetitivo” “tiempo rápido en 4/4” “tonalidad en clave mayor” “melodía centrada en la voz” Sistema semiautomático Temas Artistas Géneros Similitudes Gustos Entender la música Timbre Tempo Ritmo Forma Sistema inteligente y automático de análisis de contenido musical Tono Reverberación Volumen Temas Artistas Géneros Similitudes Gustos Mel Frequency Cepstral Coefficients Señal sonora Clusters de MFCC Cortar en breves fragmentos (ej.: 20ms) Calcular la transformada discreta de Fourier Convertir la amplitud en escala logarítmica Aplicar un filtro en escala mel Acoustic Rock Chemical Beats Guardar los primeros coeficientes (ej.: 12) MFCC Vocal Jazz Symphonic Programa 1. Análisis de contenido y recomendaciones musicales “Escuche este tema porque suena como este otro.” 2. Análisis social y recomendaciones musicales “Escuche este tema porque alguien lo relacionó con este otro.” 3. Dos aplicaciones web de recomendación musical “Que hice en tres años de doctorado en inteligencia artificial.” 4. Conclusiones, demostraciones, consejos “Todo lo que siempre quiso saber pero no lo expliqué… ¡pregúntelo!” Filtrado colaborativo Björk, Mogwai, Portishead, Massive Attack, Goldfrapp Artista recomendado: ? Filtrado colaborativo Björk, Mogwai, Portishead, Massive Attack, Goldfrapp Artista recomendado: Sigur Rós Radiohead, Björk, Sigur Rós, Mogwai Sepultura, Pantera, Anthrax, Metallica Gabrielle, Des’ree, En Vogue, Beyoncé Portishead, Coldplay, R.E.M., Placebo Filtrado colaborativo: problemas Puede deducir mal Filtrado colaborativo: problemas Puede ser muy genérico Filtrado colaborativo: problemas Puede ser hackeado Concurrencias musicales Analizando concurrencias de objetos musicales (canciones, artistas, géneros) en Revistas Radio Fiestas Locales Páginas web Playlists se obtienen relaciones socialmente significativas aplicables para generar recomendaciones musicales Concurrencias musicales en la web 1,8M páginas Gracias a la llamada “web 2.0” es posible conocer con exactitud el comportamiento de los usuarios en el marco de las redes sociales 4,6M páginas Análisis sociales en la web playlists, favoritos, tags, eventos, amigos playlists, tags, listas de escucha playlists, subscripciones, favoritos, contactos Análisis sociales en la web Toby Segaran “Programming Collective Intelligence” Programa 1. Análisis de contenido y recomendaciones musicales “Escuche este tema porque suena como este otro.” 2. Análisis social y recomendaciones musicales “Escuche este tema porque alguien lo relacionó con este otro.” 3. Dos aplicaciones web de recomendación musical “Qué hice en tres años de doctorado en inteligencia artificial.” 4. Conclusiones, demostraciones, consejos “Todo lo que siempre quiso saber pero no lo expliqué… ¡pregúntelo!” Aplicación #1 Generación automática de playlists http://labs.strands.com Generación automática de playlists http://labs.strands.com Generación automática de playlists 1. West End Blues (Louis Armstrong) 2. Heebie Jeebies (Louis Armstrong) 3. Sing Sing Sing (Benny Goodman) 4. Take The A Train (Duke Ellington) Billie’s Bounce (Charlie Parker) 5. Oh, Lady Be Good (Ella Fitzgerald) 6. Billie’s Bounce (Charlie Parker) 7. I’ll Remember April (Frank Sinatra) 8. All Blues (Miles Davis) 9. All Blues (Dee Dee Bridgewater) 10. Summertime (Chet Baker) Generación automática de playlists 1. West End Blues (Louis Armstrong) 2. Heebie Jeebies (Louis Armstrong) 3. Sing Sing Sing (Benny Goodman) patrón en 1 playlist 4. Take The A Train (Duke Ellington) Billie’s Bounce (Charlie Parker) 5. Oh, Lady Be Good (Ella Fitzgerald) patrón en 3 playlists 6. Billie’s Bounce (Charlie Parker) 7. I’ll Remember April (Frank Sinatra) 8. All Blues (Miles Davis) 9. All Blues (Dee Dee Bridgewater) 10. Summertime (Chet Baker) patrón en 1 playlist patrón en 2 playlists Playlists: búsqueda en árboles T1 1.030.068 playlists Calcula los mejores patrones T1 | T2 | T3 T1 | T4 T5 | T1 | T6 T7 | T1 Calcula los mejores patrones T7 | T1 | T2 | T3 T1 | T2 | T3 | T8 … T1 | T2 | T3 | T9 Playlists: razonamiento basado en casos T1 1.030.068 playlists RETRIEVE: Extrae un subconjunto de ‘buenas’ playlists 50 playlists REUSE: Calcula los mejores patrones T1 | T2 | T3 T1 | T10 T1 | T11 … T7 | T1 Generación automática de playlists Aspectos positivos: El usuario sólo necesita indicar una canción La playlist generada es una secuencia musicalmente ordenada, en relación a las playlists de MusicStrands Aspectos negativos: La playlist no se puede escuchar La playlist no es personalizada La aplicación no es ni social ni interactiva Aplicación #2 Poolcasting: social web radio ¿Qué es Poolcasting? Un canal radio en Poolcasting Los participantes crean canales públicos Los participantes se relacionan Los participantes votan las canciones Los participantes contribuyen con música El algoritmo de selección musical Librerías compartidas Pool de música Canal Rock … Everybody Knows (Leonard Cohen) You’re in the air (R.E.M.) Woman in Chains (Tears For Fears) ? Participantes El algoritmo de selección musical Librerías compartidas Pool de música Canal Rock … Everybody Knows (Leonard Cohen) You’re in the air (R.E.M.) Recupera canciones candidatas musicalmente asociadas con la última canción reproducida Participantes Woman in Chains (Tears For Fears) ? El algoritmo de selección musical Librerías compartidas Pool de música Canal Rock … Everybody Knows (Leonard Cohen) You’re in the air (R.E.M.) Recupera canciones candidatas musicalmente asociadas con la última canción reproducida Preferencias de los oyentes Participantes Woman in Chains (Tears For Fears) Carga y reproduce la canción candidata preferida por el grupo de oyentes actuales Missing (Calexico) La arquitectura de Poolcasting playlists metadata MUSIC POOL MUSICAL ASSOCIATIONS PREFERENCES CHANNELS knowledge to schedule ratings and play counts Stream Generator audio signal Song Scheduler Library Parser Streaming Server upload song share library rate songs OGG stream (256 Kbps) create channel MP3 stream (64 Kbps) Web Interface I CURRENT LISTENERS list of listeners available songs list of shared songs Database N Personal Library T E Participant R N E T Media Player Participant Programa 1. Análisis de contenido y recomendaciones musicales “Escuche este tema porque suena como este otro.” 2. Análisis social y recomendaciones musicales “Escuche este tema porque alguien lo relacionó con este otro.” 3. Dos aplicaciones web de recomendación musical “Que hice en tres años de doctorado en inteligencia artificial.” 4. Conclusiones, demostraciones, consejos “Todo lo que siempre quiso saber pero no lo expliqué… ¡pregúntelo!” Mis recomendaciones Hay muchos datos sociales allí fuera que os esperan Aprended a programar con lenguajes y API web Investigad los algoritmos que os pueden ayudar Tomad inspiraciones, pero sed originales Pensad en el objetivo de la recomendación, no en el lenguaje de programación (Lisp, Perl, Ruby, …) No penséis sólo en vender, sino en innovar en lo que os gusta y motiva (música, eventos, películas, …) Mi recomendación “The beauty of the Internet is that it connects people. The value is in the other people. If we start to believe that the Internet itself is an entity that has something to say, we’re devaluing those people and making ourselves into idiots.” – Jaron Lanier Computer scientist, composer, visual artist, and author IIIA - CSIC Preguntas? http://www.iiia.csic.es/~claudio Claudio Baccigalupo – Julio 2008