A Content-Based Artificial Immune System for Music Recommendation

Abstract

Automatisk spilleliste fortsettelse (ASF) innebærer å foreslå sanger som kunne passet inn i en original spilleliste. Diversitet, et gjennomgående tema og sammenheng mellom sangene er elementer som beskriver en god spilleliste. Rekommenderingsystemer innenfor musikk må derfor ta hensyn til disse elementene for å oppnå gode musikk forslag. I 2018 ble, RecSys, en konkurranse i regi av Spotify opprettet for å utfordre allmenheten i å lage egne modeller for å videre utforske forskjellige metoder å oppnå gode ASF’er på. I den sammenheng delte Spotify et datasett med 1 million bruker opprettede spillelister. Majoriteten av deltagerne i konkurransen bidro med enten hybride eller rene sammenhengsbaserte systemer, hvor rene innholdsbaserte systemer ble nedprioritert. Årsaken til dette kan ha vært det faktum at Spotify sitt API ikke innholder mer enn ni lyd trekk til å beskrive hver sang, som gjør det enda mer gunstig å anvende sammenhengsbaserte systemer.

Avhandlingens mål er å utvikle et innholdsbasert kunstig immun system skreddersydd til ASF ved navn “MAIRS - Music Artificial Immune Recognition System”. Avhandlingen kommer til å presentere egne likhets mål og klassifiserings metoder brukt i den foreslåtte modellen. Igjennom en undersøkelse med 12 stykker, blir modellen evaluert opp mot Spotify ved at hver bruker svarer på spørsmål i henhold til rekommenderinger fra både MAIRS og Spotify. Spørsmålene er rettet mot selv-lagde evalueringsmål med oppgave i å gi innsikt i hvor godt rekommendering systemene gjør det. Resultatene fra brukerundersøkelsen viste til slutt at MAIRS ikke presterte like bra som Spotify. Til tross for dette produserte MAIRS positive resultater verdt å videre utforske, spesielt i kombinasjon med sammenhengsbaserte systemer og flere audio trekk til å beskrive sangene.

The automatic playlist continuation task involves suggesting appropriate songs to be added to a playlist. The qualities of a good playlist include diversity, common themes, and coherence, which require the playlist recommendations to also meet these qualities. Spotify made the challenge for RecSys 2018 regarding APCs, and additionally, it created a dataset with 1 million playlists that was related to the challenge. The majority of contestants developed hybrid or pure collaborative recommendation systems for the APC task, but content-based approaches seem to be less investigated. The reason for this may be that the features taken from the Spotify API are limited to nine features, making collaborative-filtering superior.

The thesis objective is to develop a content-based Artificial Immune Recognition System (AIRS) tailored to the APC task, named MAIRS - Music Artificial Immune Recognition System. The thesis presents its own similarity measure and classification method for the proposed model. There was an online evaluation of the proposed model, where 12 participants were asked to rate each song recommendation and compare them to Spotify's own recommendations. In the end, it appeared that the proposed model could not compete with Spotify on the basis of the online evaluation. In spite of this, MAIRS produced some positive results, and should be further investigated with the addition of collaborative filtering and more features.