論文の概要: Context-Based Music Recommendation Algorithm Evaluation

• arxiv url: http://arxiv.org/abs/2112.10612v1
• Date: Thu, 16 Dec 2021 01:46:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 10:25:00.343221
• Title: Context-Based Music Recommendation Algorithm Evaluation
• Title（参考訳）: コンテキストベース音楽推薦アルゴリズムの評価
• Authors: Marissa Baxter, Lisa Ha, Kirill Perfiliev, and Natalie Sayre
• Abstract要約: 本稿では,ユーザが曲を好むかどうかを予測するための6つの機械学習アルゴリズムとその個々の精度について検討する。 探索されたアルゴリズムには、ロジスティック回帰、ネイブベイズ、シークエンシャル最小最適化(SMO)、マルチレイヤーパーセプトロン(ニューラルネットワーク)、Nearest Neighbor、ランダムフォレストなどがある。 Spotify APIによって提供される各曲の特徴を分析することで、Random Forestはユーザーが84%の精度で曲を好むかどうかを予測する最も成功したアルゴリズムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI ) has been very successful in creating and predicting music playlists for online users based on their data; data received from users experience using the app such as searching the songs they like. There are lots of current technological advancements in AI due to the competition between music platform owners such as Spotify, Pandora, and more. In this paper, 6 machine learning algorithms and their individual accuracy for predicting whether a user will like a song are explored across 3 different platforms including Weka, SKLearn, and Orange. The algorithms explored include Logistic Regression, Naive Bayes, Sequential Minimal Optimization (SMO), Multilayer Perceptron (Neural Network), Nearest Neighbor, and Random Forest. With the analysis of the specific characteristics of each song provided by the Spotify API [1], Random Forest is the most successful algorithm for predicting whether a user will like a song with an accuracy of 84%. This is higher than the accuracy of 82.72% found by Mungekar using the Random Forest technique and slightly different characteristics of a song [2]. The characteristics in Mungekars Random Forest algorithm focus more on the artist and popularity rather than the sonic features of the songs. Removing the popularity aspect and focusing purely on the sonic qualities improve the accuracy of recommendations. Finally, this paper shows how song prediction can be accomplished without any monetary investments, and thus, inspires an idea of what amazing results can be accomplished with full financial research.
• Abstract（参考訳）: 人工知能(AI)は、自分のデータに基づいてオンラインユーザーのための音楽プレイリストを作成し、予測することに成功している。 Spotify、Pandoraなどの音楽プラットフォームオーナーとの競争により、AIの現在の技術進歩が数多く行われている。 本稿では,Weka,SKLearn,Orangeの3つのプラットフォームにまたがって6つの機械学習アルゴリズムと,ユーザが曲を好むかどうかを予測するための個々の精度について検討する。 探索されたアルゴリズムには、ロジスティック回帰、ナイーブベイズ、シーケンシャル最小最適化(smo)、多層パーセプトロン(ニューラルネットワーク)、近接近傍、ランダムフォレストが含まれる。 Spotify API[1]で提供される各曲の特徴を分析することで、Random Forestはユーザーが84%の精度で曲を気に入るかどうかを予測する最も成功したアルゴリズムである。 これはムンゲカールがランダムフォレスト法を用いて発見した82.72%の精度よりも高く、曲 [2] の特徴が若干異なる。 Mungekars Random Forestアルゴリズムの特徴は、歌のソニックな特徴よりも、アーティストと人気に焦点を当てている。 人気を取り除き、純粋にソニック品質にフォーカスすることで、推奨の精度が向上する。 最後に,本論文では,楽曲予測が金銭的投資を伴わずに実現可能であることを示すとともに,全金融調査によってどのような素晴らしい結果が得られるのかを示唆する。

関連論文リスト

• Enhancing Music Genre Classification through Multi-Algorithm Analysis and User-Friendly Visualization [0.0]
  本研究の目的は,異なる種類の音楽の認識方法をアルゴリズムに教えることである。 アルゴリズムはこれまでこれらの歌を聴いていないので、それぞれの歌をユニークにする方法を理解する必要があります。
  論文  参考訳（メタデータ） (2024-05-27T17:57:20Z)
• Beyond Beats: A Recipe to Song Popularity? A machine learning approach [2.6422127672474933]
  本研究は,歌の人気予測における各種機械学習モデルの予測力について検討することを目的とする。 楽曲の特徴と人気に対する影響を分析するために,通常最小方形(OLS)回帰分析を用いる。 ランダムフォレストが最も効果的なモデルとして登場し、平均スコアに比べて予測精度が7.1%向上している。
  論文  参考訳（メタデータ） (2024-03-01T17:14:41Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
  我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。 音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。 次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
  論文  参考訳（メタデータ） (2023-06-18T12:56:46Z)
• GETMusic: Generating Any Music Tracks with a Unified Representation and Diffusion Framework [58.64512825534638]
  シンボリック・ミュージック・ジェネレーションは、ユーザーが音楽を作るのに役立つ音符を作成することを目的としている。 私たちは「GETMusic」と呼ばれるフレームワークを紹介します。「GET'」は「GEnerate Music Tracks」の略です。 GETScoreは、音符をトークンとして表現し、2D構造でトークンを整理する。 提案する表現は,非自己回帰生成モデルと組み合わせて,任意のソース・ターゲットトラックの組み合わせでGETMusicに音楽を生成する。
  論文  参考訳（メタデータ） (2023-05-18T09:53:23Z)
• An Analysis of Classification Approaches for Hit Song Prediction using Engineered Metadata Features with Lyrics and Audio Features [5.871032585001082]
  本研究は,より代替的なメタデータを用いて,Billboard Hot 100曲のトップ10ヒット曲の予測結果を改善することを目的としている。 k-nearest、Naive Bayes、Random Forest、Logistic Regression、Multilayer Perceptronの5つの機械学習アプローチが適用される。 その結果,Random Forest (RF) と Logistic Regression (LR) は,それぞれ89.1%,87.2%,0.91,0.93AUCを達成している。
  論文  参考訳（メタデータ） (2023-01-31T09:48:53Z)
• SpotHitPy: A Study For ML-Based Song Hit Prediction Using Spotify [0.0]
  私たちは18500曲近いヒット曲と非ヒット曲のデータセットを集めました。 Spotify Web APIを使って音声機能を抽出した。 およそ86%の精度でBillboardの成功を予測できたのです。
  論文  参考訳（メタデータ） (2023-01-19T10:13:52Z)
• Museformer: Transformer with Fine- and Coarse-Grained Attention for Music Generation [138.74751744348274]
  本研究では,音楽生成に新たな細粒度・粗粒度対応トランスフォーマーであるMuseformerを提案する。 具体的には、細かな注意を払って、特定のバーのトークンは、音楽構造に最も関係のあるバーのトークンに、直接参加する。 粗い注意を払って、トークンは計算コストを減らすために、それぞれのトークンではなく他のバーの要約にのみ参加する。
  論文  参考訳（メタデータ） (2022-10-19T07:31:56Z)
• Double Coverage with Machine-Learned Advice [100.23487145400833]
  オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。 我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:04:33Z)
• Melody-Conditioned Lyrics Generation with SeqGANs [81.2302502902865]
  本稿では,SeqGAN(Sequence Generative Adversarial Networks)に基づく,エンドツーエンドのメロディ条件付き歌詞生成システムを提案する。 入力条件が評価指標に悪影響を及ぼすことなく,ネットワークがより有意義な結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-10-28T02:35:40Z)
• Learning to rank music tracks using triplet loss [6.43271391521664]
  楽曲を明示的にタグ付けすることなく、音声コンテンツに基づいて直接レコメンデーションを行う手法を提案する。 畳み込みニューラルネットワークを訓練し、三重項損失による類似性を学習する。 結果は、特に自動プール層に関連付けられた場合、システムの効率性を強調します。
  論文  参考訳（メタデータ） (2020-05-18T08:20:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。