Aanbevelings systeem voor festival line-up
Hoe kan een combinatie van muziekplatforms gebruikt worden om mensen te ondersteunen tijdens het inplannen van een muziekfestival?
Martijn Willemse Stud.nr. 0793059
Mediatechnologie 17 augustus 2011
Voorwoord
“Van nature ben ik een echte teamwerker en ik had deze periode dan ook nooit kunnen overleven zonder de hulp van anderen.”
Mijn grootste passie is muziek. Al sinds mijn achtste speel ik piano en ondertussen zijn de gitaar en de alt-saxofoon mij ook niet onbekend. Ik heb er echter voor gekozen om hier niet mijn werk van te maken, waardoor de mediatechnologieën op een welverdiende tweede plek komen. Drieënhalf jaar lang heb ik de opleiding Mediatechnologie gevolgd toen het einde ervan in zicht kwam: afstuderen. Ik kreeg van het afstudeerbedrijf Tam Tam de volledige vrijheid om mijn eigen opdracht vorm te geven en vroeg mijzelf toen af: hoe kan ik mijn twee grootste passies combineren tot een ultiem afstudeerproject? Het afstuderen zou immers de kers op de taart moeten zijn van vier jaar studeren. Het antwoord kwam vrij snel: festivals.
Festivals zie ik als de ultieme uiting van muziek. De hele dag met duizenden andere muziekliefhebbers genieten van de beste muziek onder het genot van een geweldige sfeer. Oftewel, onbetaalbaar. De inspiratie om in dit onderwerp een mediale oplossing te verzinnen bleek er dan ook in overvloed te zijn.
Van nature ben ik een echte teamwerker en ik had deze periode dan ook nooit kunnen overleven zonder de hulp van anderen. In de eerste plaats natuurlijk mijn begeleiders Norbert Kersbergen en Roel Spruit, de personen die mijn progressie in de gaten hielden en bijstuurden waar nodig. Mijn afstudeerdocent Bob Pikaar die mij al vier jaar lang heel subtiel en ongedwongen in de juiste richting duwt en waarvan ik meer heb geleerd dan hij waarschijnlijk zelf beseft. Mijn collega’s van Tam Tam en de Twitteraars die bereid waren mij te helpen door te reageren op enquêtes en willekeurige vragen. Mijn goede vrienden die tijd vrijmaakten om interviews af te leggen. Mijn mede-student Niels Bastian, waarmee ik het voor elkaar kreeg wéér toevallig hetzelfde stagebedrijf te kiezen en waarmee ik meer dan eens heb gespard over onze afstudeerprojecten. Mijn ouders en broer die mij altijd onbewust ondersteunen en me het zelfvertrouwen geven door altijd in mij te geloven. And last but certainly not least, Theuy Limpanont. Zonder deze muzikale jongen zou het mij nooit gelukt zijn tot het systeem te komen dat nu uitgewerkt staat.
Allen bedankt dat jullie mij door deze mooie, drukke en vooral ook hier en daar stressende periode hebben gesleurd waarin ik dingen heb geleerd die mij altijd bij zullen blijven!
voorwoord | I
II | COLOFON
colofon
Auteur:
Martijn Willemse Student Mediatechnologie Hogeschool Rotterdam Studentennummer: 0793059 Afgestudeerd te Tam Tam
Begeleider Hogeschool Rotterdam:
Bob Pikaar | Docent Mediatechnologie
Begeleiders Tam Tam:
Norbert Kersbergen | Algemeen begeleider Roel Spruit | Technisch begeleider
colofon | III
IV | Inhoudsopgave
Inhoudsopgave
Voorwoord I
Colofon III
Samenvatting VII
Verklarende woordenlijst IX 1. Inleiding
Aanleiding . . . 2
Relevantie . . . 3
Probleemstelling . . . 3
Onderzoeksmethoden . . . 4
2. Doelen van het aanbevelingssysteem Behoeften doelgroep bepalen . . . . . . 6
De doelen op een rij . . . 8
3. Bron van informatie Data van derden gebruiken . . . 10
De muziekplatforms . . . 11
Verdeling van de taken . . . 11
De keuze is gemaakt . . . 14
4. Het algoritme Gebruikersprofiel . . . 16
Artiestenprofiel . . . 18
Overeenkomst gebruiker en artiest . . . . . 19
Invloed van het Web . . . 22
De uiteindelijke score . . . . . . 23
De gebruiker wil zelf beslissen . . . 24
Systeem niet alleen voor festivals . . . . . . . 24
Conclusie Gebruikers . . . 26
Muziekplatforms . . . 27
De aanbeveling . . . . . . 27
Literatuur 28 Bijlagen Bijlage 1: Interview . . . 30
Bijlage 2: Enquête-overzicht van resultaten. . . 36
Bijlage 3: Enquête reacties . . . .38
Bijlage 4: Simulatie algoritme . . . 61
Bijlage 5: Categorie Frequentie distributie . . . 62
Bijlage 6: Artiestenprofiel - John Mayer . . . 63
Inhoudsopgave | V
VI | SAMENVATTING
samenvatting
samenvatting | VII Van bekend tot onbekend, van duur tot gratis; het aanbod aan muziekfestivals is nog nooit zo groot geweest in Nederland. Met de toenemende mate aan festivals, groeit ook het aanbod van artiesten. Steeds meer artiesten weten zichzelf te vestigen in de line-up van festivals. Het wordt hierdoor onmogelijk voor een festivalganger om vooraf al op de hoogte te zijn van deze waslijst aan artiesten. Om deze reden komt het nagenoeg altijd wel voor dat een festivalganger te maken krijgt met “gaten” tijdens het festival. Oftewel, er zijn momenten op de dag, waarop geen bekende artiesten optreden en het dus lastig wordt om te kiezen, welke onbekende artiest bezocht zal worden. Om de gebruiker hierbij te helpen, zal een aanbevelings- systeem worden ontwikkeld. Hierbij wordt de volgende probleemstelling in acht genomen:
Hoe kan een combinatie van muziekplatforms gebruikt worden om mensen te ondersteunen tijdens het inplannen
van een muziekfestival?
Om de doelen van dit systeem te bepalen is er gezocht naar de behoeften van de gebruiker. Zijn grootste behoefte omtrent het aanbevolen krijgen van artiesten is de toespitsing op zijn eigen muzieksmaak.
Oftewel, om gedegen aanbevelingen te kunnen doen, omtrent een line-up, dient de muzieksmaak van de gebruiker bekend te zijn. Dan is immers duidelijk wat door hem als interessant wordt beschouwd.
Een tweede belangrijke behoefte is dat de gebruiker dit proces niet volledig aan een systeem toevertrouwt en dus zelf de beslissing wil kunnen maken. Een systematische aanbeveling kan als leidraad dienen, maar uiteindelijk moet altijd zelf de keuze gemaakt kunnen worden.
Het systeem mag dus niet opdringen, maar dient wel te helpen bij het maken van deze “eigen keuze”.
Daarom zal er, naast de eigenlijke aanbeveling, data worden toegereikt, waarmee het maken van de keuze voor een artiest wordt vergemakkelijkt.
Er zijn al middelen waarmee enkele van de doelen bereikt kunnen worden. Geen van deze is echter in staat om alle doelen te verwezenlijken. Daarom zal er getracht worden een combinatie te maken tussen verschillende van deze middelen. Het betreft hier Last.FM, 7digital en Echo Nest.
Last.FM is zeer belangrijk, doordat het de muzieksmaak van de gebruiker kent. 7digital is gespecialiseerd in het aanbieden van digitale muziekbestanden (mp3-formaat), maar biedt dit slechts ter verkoop aan. Echo Nest is waardevol, doordat het exact weet wat er op het Web over artiesten wordt gezegd.
Door een profiel van zowel de gebruiker als de artiest te bepalen, zijn beiden met elkaar te vergelijken.
Hieruit volgt een overeenkomst tussen gebruiker en artiest. In de uiteindelijke aanbeveling wordt ook nog rekening gehouden met de bekendheid en populariteit van de artiest.
VIII | Verklarende woordenlijst
verklarende woordenlijst
Verklarende woordenlijst | IX Aanbevelingssysteem Een systeem dat aanbevelingen doet op voor de gebruiker nog onbekende
voorwerpen of muziek.
API Wordt gebruikt om data beschikbaar te stellen aan andere ontwikkelaars. De maker van de API kan bepalen welke data wel of niet beschikbaar wordt gesteld.
Applicatie Een toepassing, welke bedoelt is om taken mee uit te voeren. Voorbeelden zijn Word en Powerpoint, maar ook online applicaties, zoals Twitter en Facebook.
Artiest Mensen die muziek maken. Zowel solo-artiesten als bands.
Crawlen Het geautomatiseerd doorzoeken van het web.
Festivalganger Een bezoeker van een festival.
Gebruiker Hiermee wordt gedoeld op de mensen die het uiteindelijke systeem gaan gebruiken. Zal gebruikt worden in de mannelijke vorm.
Preview Een fragment van (in dit geval) muziek.
Service-call Een data-aanvraag doen bij een andere partij.
Track De Engelse benaming voor een liedje
1 | Inleiding
inleiding
“Daarom zal deze scriptie beschrijven wat er nodig is om een festivalganger aanbevelingen te kunnen geven op een line-up”
Er is bijna geen groter cultureel goed dan muziek. Deze uiting van emotie is al sinds het begin der mensheid een leidende draad door de geschiedenis geweest en nog steeds blijft deze zich ontwikkelen. Zeker met de steeds innovatievere technieken is het beleven van muziek nog nooit zo uitgebreid geweest. Het Internet geeft ons toegang tot een scala aan artiesten waar 20 jaar geleden alleen nog maar van gedroomd kon worden. Vanuit alle hoeken van de wereld duiken er artiesten op die hun bekendheid te danken hebben aan deze op dit moment meest innovatieve manier van communicatie.
Aanleiding
Dit brengt echter ook problemen met zich mee. Elk voordeel heeft immers ook altijd zijn nadeel(1). In dit geval is het probleem dat door de bomen het bos niet meer gezien kan worden. De toenemende toeganke- lijkheid van muziek zorgt ook voor onoverzichtelijkheid, waardoor het voor een persoon bijna niet meer mogelijk is om alle interessante muziek te beluisteren. Gelukkig zijn hier al enkele oplossingen voor bedacht. Eén van de belangrijkste is Last.FM; een muziekplatform, welke iemands muzieksmaak in kaart brengt en deze tracht uit te breiden. Hierdoor worden de niet-bruikbare bomen gekapt en blijven alleen de geschikte nog over, waardoor de overzichtelijkheid toeneemt.
Echter, ook Last.FM voorkomt niet het grote muzikale bos waarin wij ons bevinden. Er zullen namelijk altijd artiesten blijven bestaan die wel binnen de muzieksmaak van een persoon vallen, maar die simpelweg nog niet ontdekt zijn door diegene. Dit is in principe geen probleem, mits er niet het streven is al deze artiesten in de wereld te kennen. Er is echter een situatie waarin het nog weleens vervelend zou kunnen zijn; muziekfestivals.
In Nederland groeit het aantal muziekfestivals elk jaar weer. Enkele honderden passeren de revue, vooral rond de zomer. De een is gratis, de ander kost een fortuin, de een heeft een line-up met wereldberoemde artiesten, de ander biedt slechts lokale artiesten aan. Er is veel keus, waardoor het onoverkomelijk is dat een festivalganger niet alle artiesten kent. In zo’n geval kan het lastig zijn om te bepalen welke artiesten er beluisterd moeten gaan worden.
1 http://nl.wikipedia.org/wiki/Cruijffiaans Inleiding | 2
Relevantie
Er is ondertussen een behoorlijk aantal muziekplatforms, zoals Last.FM, welke trachten de muziekbeleving te verreiken en voor de luisteraar nieuwe en geschikte muziek proberen aan te bieden. Geen van deze stelt zichzelf echter het doel om een advies omtrent een line-up van een muziekfestival te geven. De enige aanbevelingen die door dergelijke platforms worden gegeven gaan meestal niet verder dan het aanbieden van interessante artiesten in zijn algemeenheid. Dit is dus niet toegespitst op een lijst (line-up) artiesten.
Daarom zal deze scriptie beschrijven wat er nodig is om een festivalganger aanbevelingen te kunnen geven op een line-up, waarin voor hem nog onbekende artiesten in zijn opgenomen. Dit houdt in dat er dus van een artiest bepaalt kan worden in hoeverre deze overeenkomt met een persoon, waardoor er een meer gedegen keuze kan worden gemaakt of de betreffende artiest wel of niet bezocht zou moeten worden tijdens een festival.
probleemstelling
Om het bovenstaande doel te bereiken zal er een onderzoek uitgevoerd worden. De hoofdvraag van dit onderzoek luidt:
Hoe kan een combinatie van muziekplatforms gebruikt worden om mensen te ondersteunen tijdens het inplannen
van een muziekfestival?
Om erachter te komen hoe een combinatie tussen verschillende muziekplatforms het beste kan worden gemaakt, zal er eerst worden beschreven hoe de gebruiker dit nu ervaart. Waarover is hij tevreden en waar zitten de knelpunten wanneer het op de planning van een muziekfestival aankomt? Deze behoeften worden omgevormd tot doelen, waaraan het uiteindelijk algoritme zal moeten voldoen om succesvolle aanbevelingen te geven.
Vervolgens wordt er ingegaan op de muziekplatforms die relevant zullen zijn voor de combinatie. Hierbij wordt uitgelegd waar het platform voor dient, welk doel het beoogt en welke onderdelen overeenkomen met de daarvoor gestelde doelen aan het algoritme.
Tot slot zal de daadwerkelijke combinatie beschreven worden en wordt duidelijk gemaakt hoe het algoritme eruitziet, welke berekeningstheorieën hiervoor worden gebruikt en hoe de uiteindelijke beoordeling zich zal vormen.
3 | Inleiding
onderzoeksmethoden
Er zijn bij zowel het literaire onderzoek als bij het uitwerken van het algoritme gebruik gemaakt van verschillende methoden.
Literaire onderzoek
Voor het literaire onderzoek was het startpunt veelal Google Scholar. Dit is een zoekmachine die wetenschappelijke resultaten geeft.
Toen bekend werd dat de ACM Library vrij was gegeven voor studenten aan de Hogeschool Rotterdam, werd dit al gauw het nieuwe startpunt. Dit gerenommeerde platform staat immers bekend om zijn goede publicaties.
Naast papers is er ook veel informatie gevonden over online platforms. De meeste informatie werd daarvoor van de website van het platform zelf gehaald, aangezien ervan uit mag worden gegaan dat zij degelijke en betrouwbare informatie over zichzelf uiten.
Technisch onderzoek
Een algoritme is een lijst met stappen, waarbij elke stap een berekening doet en/of een beslissing moet nemen. Om hier degelijke berekeningen te maken, is er gebruik gemaakt van enkele wiskundige methoden.
De toepassing en een meer uitgebreide uitleg volgt later in deze scriptie.
• Hiërarchische Clusteranalyse zorgt voor een gerangschikte dataset. Hierbij wordt de afstand tussen soortgelijke attributen binnen de clusters bepaalt.
• Correlatie Cluster Methode vergelijkt de attributen tussen twee objecten en bepaalt de relatie tussen beiden.
• City Block Distance is een methode om het verschil tussen twee punten te achterhalen. Hoe kleiner het verschil, hoe dichter de twee punten bij elkaar liggen en dus hoe groter de overeenkomst tussen beiden.
• Arithmetic Mean wordt gebruikt om uit een lijst van soortgelijke attributen het gemiddelde te achterhalen.
• Weighted Mean wordt gebruikt om van meerdere resultaten het gemiddelde te achterhalen, waarbij elk een eigen gewicht heeft.
• Categorie Frequentie Distributie berekent de frequentie per attribuut t.o.v. het geheel.
Inleiding | 4
5 | DOelen van het aanbevelingssysteem
doelen van het aanbevelingssysteem
“Wanneer alle muziek die een gebruiker leuk vindt bij elkaar wordt genomen, vormt zich een muzieksmaak.”
Nederland telt jaarlijks honderden festivals. Variërend van groot tot klein telt de festival-database van het muziekplatform Last.FM al meer dan 300 festivals(2). Hierin zijn nog niet eens de meeste kleine, plaatselijke festivals in opgenomen. Deze grote hoeveelheid aan festivals betekent ook dat er veel verschillende artiesten optreden. De kans is dus groot dat er een paar onbekende optredens zullen zijn voor een festivalganger.
Al deze festivals bieden een dusdanig breed scala aan artiesten aan, dat er altijd wel onbekende artiesten op de line-up zullen staan. Dit houdt in dat er tijdens een festival waarschijnlijk momenten zullen zijn dat er voor de festivalganger slechts onbekende artiesten optreden. Dit kan de festival beleving in gevaar brengen. Aangezien de festivalganger namelijk geen gedegen keuze kan maken over welke artiest er het beste overeenkomt kan het zo zijn dat de goede artiesten hierdoor gemist worden.
Om dit probleem systematisch te verhelpen zal er in dit hoofdstuk gekeken worden naar de behoeften van festivalgangers als het op het inplannen van een festival line-up aankomt.
behoeften doelgroep bepalen
Voordat er een aanbevelingssysteem ontwikkeld kan worden, zal er bepaald moeten worden hoe de doelgroep eigenlijk omgaat met zo’n line-up. Daarom is er gesproken met deze groep. Dit was in de vorm van interviews (bijlage 1) en enquêtes (bijlage 2 en 3). Hieruit zijn bepaalde behoeften duidelijk geworden omtrent het inplannen van een festival. Dit hoofdstuk zal hierop ingaan. Het beschrijft deze behoeften om ze vervolgens om te zetten in doelen. Deze doelen zullen in hoofdstuk 3 vergeleken worden met reeds bestaande muziekplatforms. Deze platforms zullen gebruikt worden om het in hoofdstuk 4 beschreven systeem te laten voldoen aan de gestelde doelen.
Muzieksmaak als startpunt
Iedereen heeft een eigen perceptie over wat goede muziek is. Het is immers een subjectief onderwerp wat betekent dat iedereen er een eigen mening over heeft. Wanneer alle muziek die een gebruiker leuk vindt bij elkaar wordt genomen, vormt zich een muzieksmaak. Zo’n muzieksmaak is een verzameling aan artiesten en tracks. Doordat dit exact bepaalt welke muziek de gebruiker leuk vindt, is er de behoefte dat dit als middelpunt wordt genomen.
2 http://www.last.fm/festivals/ +place/Netherlands DOelen van het aanbevelingssysteem | 6
Het geven van aanbevelingen is altijd gebaseerd op bestaande gegevens. Er kan immers niet gezegd worden dat een gebruiker iets leuk zal vinden als er nog niet bekend is wat hij leuk vindt. Anders zou het namelijk een willekeurige aanbeveling zijn, welke nergens op gebaseerd is. Daarom moet de door de gebruiker beluisterde muziek vastgelegd zijn.
Het systeem is niet heilig
Een aanbeveling kan op meerdere manieren gevisualiseerd worden. Er kan een cijfer gegeven worden op een schaal van tien of een percentage. Daarnaast zou er bijvoorbeeld met kleuren gewerkt kunnen worden om aan te geven in hoeverre een artiest met iemand overeenkomt. Het blijkt echter dat dit niet altijd volledig voldoet aan de behoeften. Het systeem kan namelijk wel zeggen dat een artiest veel overeenkomst heeft met de muzikale smaak van de gebruiker, maar het zegt dan nog niets over waarom deze zo’n hoge overeenkomstigheid heeft. De gebruiker geeft aan het fijn te vinden om hierin uiteindelijk zelf de keuze te kunnen maken.
Een manier die als fijn wordt ervaren is het te zien krijgen van soortgelijke artiesten. Deze artiesten dienen dan wel al bekend te zijn bij de gebruiker. Op deze manier kan er namelijk een vergelijking worden gemaakt door de gebruiker zelf. Niet alleen weet hij van deze soortgelijke artiesten al wat voor soort muziek ze maken, maar ook hoe leuk hij ze vindt. Ze zijn immers al beluisterd. Hierdoor is er een inschatting te maken van hoe leuk de aanbevolen artiest waarschijnlijk gaat zijn.
Een doel zal dus zijn dat er in de muzieksmaak van de gebruiker artiesten gevonden worden die overeenkomen met de aanbevolen artiest, zodat er een betere inschatting gemaakt kan worden van wat voor soort artiest het is.
Een tweede manier waar de gebruiker behoefte aan heeft is het kunnen ervaren van de aanbevolen artiest.
Door namelijk de muziek te beluisteren wordt al snel duidelijk of de artiest inderdaad in de smaak valt.
Een doel zal hierdoor zijn het kunnen beluisteren van de muziek van de aanbevolen artiest. Hierdoor hoeft er niet meer zozeer een inschatting gemaakt te worden, maar kan de gebruiker direct besluiten of deze muziek aansluit bij zijn muzieksmaak, simpelweg door ernaar te luisteren.
Deze twee doelen geven aan dat de gebruiker uiteindelijk altijd zelf nog invloed wil kunnen uitoefenen. Een systeem kan hulp bieden bij het aanbevelen van een artiest, maar mag niet bepalend te zijn. Het systeem is niet heilig.
Invloeden van het Web
Het ontdekken van nieuwe muziek wordt grotendeels zelfstandig gedaan. Onbekende artiesten worden vaak eerst opgezocht op bijvoorbeeld YouTube om erachter te komen of de muziek in de smaak valt. Maar er is echter ook een grote invloed van buitenaf. Deze invloed is afkomstig van het Web, oftewel de rest van de wereld. Over het hele Web worden er namelijk meningen gegeven over muziek. Een welbekend voorbeeld is het “liken” of “disliken”. Hiermee kan een Web-gebruiker aangeven of hij een liedje, album, artiest, etc. leuk of juist niet leuk vindt. De mening van de rest van de wereld wordt steeds belangrijker gevonden en is daarom een belangrijk onderdeel.
7 | DOelen van het aanbevelingssysteem
De doelen op een rij
De belangrijkste behoeften van de gebruiker zijn nu dus beschreven. Uit elk van deze behoefte kwam ook een direct doel, waaraan het uiteindelijke systeem aan zal moeten voldoen. Ter verduidelijking volgt hier een overzicht van deze doelen.
• De overeenkomst tussen een artiest en een gebruiker bepalen.
• De aanbevelingen dienen gebaseerd te zijn op de muzikale smaak van de gebruiker.
• Toereiken van artiesten die overeenkomen met de aanbevolen artiest én die al bekend zijn bij de gebruiker, zodat hij zich een beter beeld kan vormen.
• De gebruiker de aanbevolen artiest te laten ervaren door het laten beluisteren van de muziek.
• Betrekken van de mening van de rest van de wereld.
DOelen van het aanbevelingssysteem | 8
9| Bron van informatie
bron van informatie
“Dit systeem dient alle gestelde doelen te kunnen verwezenlijken met als resultaat een gedegen aanbeveling op de line-up van een festival te kunnen geven.”
Om de doelen die uit de behoeften van de doelgroep zijn gekomen te kunnen bereiken zal er een systeem gebouwd moeten worden. Dit systeem dient alle gestelde doelen te kunnen verwezenlijken met als resultaat een gedegen aanbeveling op de line-up van een festival te kunnen geven. In dit hoofdstuk zal er bepaald worden welke externe partijen er worden betrokken bij dit proces. Van elk van deze partijen zal er vervolgens bepaald worden wat hun rol zal zijn in het uiteindelijke systeem door ze te vergelijken met de gestelde doelen.
data van derden gebruiken
Het systeem dient bepaalde data tot zijn beschikking te hebben om een juiste aanbeveling te kunnen geven.
Zo moet het bijvoorbeeld weten wat de muzieksmaak van een gebruiker is. Maar ook zullen er bepaalde gegevens van de artiesten bekend moeten zijn. Dat is immers waar de vergelijking tussen gemaakt zal worden. Deze verschillende soorten data zijn bij elkaar erg groot qua volume. Er zijn alleen al miljoenen artiesten in de wereld. Daarnaast moet ook de muzieksmaak van de gebruiker bijgehouden worden, wat inhoudt dat alle beluisterde nummers moeten worden opgeslagen. Buiten het feit dat het lastig is om aan deze data te komen, zijn er al partijen die deze soort data bijhoudt. Deze muziekplatforms maken hun data toegankelijk middels een Application Programming Interface (API). Dit is de toegangspoort voor ontwikkelaars om toegang te krijgen tot bepaalde onderdelen van de data.
Er zijn dus verschillende muziekplatforms die beschikking hebben tot de data die het uiteindelijke systeem nodig heeft. Echter, de een beheert gegevens over het luistergedrag van hun gebruikers, terwijl de ander in de gaten houdt wat de rest van de wereld zegt over een artiest. Zo richt elk van deze partijen zich weer op een ander doel. Het komt er daardoor op neer dat er niet één partij is die alle benodigde gegevens beheert.
Daarom zal er een combinatie gemaakt moeten worden tussen deze platforms.
Bron van informatie | 10
De muziekplatforms
Voordat er een combinatie gemaakt kan worden tussen de verschillende muziekplatforms, wordt hier eerst beschreven welke platforms er in overweging worden genomen.
Last.FM
Last.FM is een online community gericht op muziek. Het biedt een plaats voor muziekliefhebbers om hun muzieksmaak online te publiceren, deze uit te breiden en te delen met anderen. Het doet deze dingen op een zo persoonlijk mogelijke manier. Dit wordt bereikt door van iedere gebruiker de muzieksmaak bij te houden. Het weet namelijk naar welke muziek elke gebruiker luistert. Dit wordt opgeslagen in een persoonlijke bibliotheek. Deze wordt bij alle andere functionaliteiten gebruikt, zoals bij het aanbevelen van nieuwe muziek en het vinden van andere gebruikers met dezelfde muzieksmaak, de zogenaamde Neighbours.
Echo Nest
Er komen steeds meer systemen die zich richten tot het ontdekken van nieuwe muziek. Echo Nest is er daar één van. Het zoekt het hele Web af naar alle informatie die er over muziek te krijgen is. Deze wordt gehaald van bijvoorbeeld blogs, reviews op albums en discussiefora. Al deze informatie wordt geïnterpreteerd door de enige zelf-lerende machine ter wereld op het gebied van muziek(3), welke constant leest en luistert naar muziek over het hele Web. Hieruit ontdekt het onder andere trends in de ontwikkeling van artiesten.
7digital
7digital is een platform, welke zich volledig richt op het verschaffen van muziek. Het heeft contracten met alle grote muzieklabels in de wereld en de beschikking over meer dan 14 miljoen tracks. Hierdoor is 7digital in Europa het eerste platform dat de nummers van alle grote muzieklabels mag publiceren(4). Het richt zich echter niet zozeer op het aanbevelen van nieuwe muziek.
Verdeling van de taken
Er zijn dus drie muziekplatforms die eventueel bij kunnen dragen in het uiteindelijke aanbevelingssysteem;
Last.fm, Echo Nest en 7digital. Ze houden zich alle drie met hetzelfde onderwerp bezig (muziek), maar toch stellen ze zichzelf andere doelen. Het is daarom zaak om te bepalen welke functionaliteiten er van de platforms gebruikt gaan worden. Per doel zal er beschreven worden welk platform de functionaliteiten bevat om aan dat doel te voldoen. De exacte werking zal dus nog niet beschreven worden. In figuur 3.1 is daar een schema van weergegeven. In de linkerkolom staan de doelen en benodigdheden om aan het aanbevelingssysteem te voldoen. De kruisjes geven aan dat het betreffende platform de functionaliteiten aanbiedt om te voldoen aan het doel of een van de benodigdheden.
3 http://the.echonest.com/company
4 http://developer.7digital.net
11 | Bron van informatie
Last.FM Echo Nest 7digital Doelen
Overeenkomst gebruiker-artiest
Vastleggen muzieksmaak
X X
Similar artists
X X X
Komt artiest voor in muzieksmaak
X
Beluisteren muziek artiest
X X
Invloed van wereld
X
Benodigdheden
Open API
X X X
Artist-tags
X X X
Opzoeken artiest
X X X
Overeenkomst gebruiker-artiest
Zoals te zien in fig. 3.1 biedt geen van de platforms de mogelijkheid om de overeenkomst tussen een gebruiker en een artiest te achterhalen. Dit betekent dat geen van de platforms in staat is een aanbeveling te doen op één artiest voor de gebruiker. Dit is dan ook een reden waarom dit uiteindelijke systeem wordt gebouwd.
Vastleggen muzieksmaak
Het vastleggen van een muzieksmaak betekent in feite weten naar welke muziek iemand luistert. Dus welke nummers worden er van welke artiest beluisterd? Echo Nest biedt de mogelijkheid deze bij te houden, middels de Catalog API(5). De letterlijke vertaling ervan is “catalogus” en dat is dan ook precies zijn functie.
Het kan artiesten en tracks opslaan. Deze catalogus kan vervolgens bijvoorbeeld gebruikt worden bij het aanbevelen van nieuwe artiesten. Echo Nest biedt echter niet de interface die nodig is om deze data op te slaan. Het staat slechts open voor ontwikkelaars om te gebruiken in applicaties.
Last.FM is een gerenommeerd platform, welke draait om de muzieksmaak van haar gebruikers. Dit is altijd het uitgangspunt bij aanbevelingen. Om deze data daarom zo gedetailleerd mogelijk bij te houden zijn er verschillende mogelijkheden voor de gebruiker om beluisterde muziek in hun persoonlijke library bij te houden. Zo biedt Last.FM een radio aan, waarin aanbevolen muziek beluisterd kan worden. Maar ook kan beluisterde muziek vanuit muziekprogramma’s, zoals iTunes en een mp3-speler met de zogenaamde
“Scrobbler”(6) worden geregistreerd. Last.FM noemt dit “scrobblen”. Doordat de gebruiker dus de eigen geprefereerde manier kan aanhouden is de muzieksmaak vrij gemakkelijk bij te houden. Hieruit valt de conclusie te trekken dat Last.FM geschikter is voor het bijhouden van de muzieksmaak van een gebruiker dan Echo Nest. Dit is immers een gerenommeerd platform, waarvan al veelvuldig gebruik wordt gemaakt.
Daarbij komt dat de gebruiker weinig moeite hoeft te doen om de benodigde gegevens bij te houden.
Fig. 3.1 - Vergelijking muziekplatforms met doelen
5 http://developer.echonest.com/docs/v4/catalog.html
6 http://www.last.fm/download Bron van informatie | 12
Similar artists
Similar artists zijn artiesten die overeenkomstig zijn met een bepaalde artiest. In dit scenario zouden deze overeenkomstig zijn met een artiest van de line-up. De drie geanalyseerde muziekplatforms bieden allen deze functionaliteit. Daarom zal bepaalt worden welke het meest geschikt is voor het uiteindelijke systeem.
Om van 7digital similar artists te ontvangen dient er het identiteitsnummer van de artiest te worden ingevoerd.
Dit is het nummer dat 7digital eraan heeft gegeven en is niet vooraf al bekend. Om dus de gewenste data te krijgen dient eerst de artiest te worden opgezocht met de zoekfunctionaliteit(7) om vervolgens met dat identiteitsnummer de similar artists te kunnen opzoeken. Dit betekent dat er twee keer meer service-calls moeten worden gedaan. Dit zorgt voor inefficiëntie, waardoor 7digital geen goede optie is.
Echo Nest hanteert een vrij geavanceerde techniek voor het vinden van similar artists. Zij noemen deze techniek Song2Song(8) en het analyseert de muziek. Hiervoor wordt een track ontleedt en worden er gegevens uitgehaald, zoals ritmische patronen, harmonische stabiliteit en de energie die het uitstraalt.
Deze gegevens worden tussen twee tracks vergeleken om op die manier de overeenkomst te bepalen . Er gaat echter nog iets aan vooraf. De tracks die namelijk met elkaar worden vergeleken, zijn al gefilterd. Dit wordt gedaan met data verkregen van het Internet. Echo Nest crawled namelijk het Web af op zoek naar informatie over muziek. Hieruit haalt het namelijk contextuele data, zoals tags en kritische reacties op bijvoorbeeld een album. Deze data wordt gebruikt om het aantal liedjes te beperken tot een bepaalde hoek van muziek. Deze flow wordt geïllustreerd in fig. 3.2.
Komt artiest voor in muzieksmaak?
Deze functionaliteit zal gebruikt gaan worden om te controleren of de overeenkomstige artiesten al bekend zijn bij de gebruiker. Zoals eerder vermeld zal de muzieksmaak worden bepaald door Last.FM. De API van Last.FM biedt de mogelijkheid om een lijst van artiesten te vergelijken met de bibliotheek aan beluisterde artiesten van een gebruiker. Deze functionaliteit draagt de naam “Taste-O-Meter”(9).
Beluisteren muziek van artiest
Om een goed beeld te kunnen vormen dient er muziek van de artiest beluisterd te kunnen worden. Zowel Echo Nest als 7digital bieden hiervoor mogelijkheden.
Zoals eerder gezegd richt 7digital zich volledig op het aanbieden van mp3-bestanden. Zij bieden hiervoor in de API een mogelijkheid tot het opzoeken van een preview van een track(10). De volledige track kan dus niet zomaar beluisterd worden. Daarbij komt dat het identiteitsnummer van de track bekend moet zijn. Dit nummer is bepaald door 7digital en zal dus eerst opgevraagd moeten worden.
Fig. 3.2 - Flow Song2Song
7 http://api.7digital.com/1.2/static/documentation/7digitalpublicapi.html#artist/search
8 https://echonest-corp.s3.amazonaws.com/docs/whitepapers/Song2Song-1_0.pdf
9 http://www.last.fm/api/show?service=258
10 http://api.7digital.com/1.2/static/documentation/7digitalpublicapi.html#track/preview
13 | bron van informatie
Echo Nest biedt de mogelijkheid audio-bestanden(11) alsmede video’s(12) te zoeken van een artiest. Dit gaat dus niet op niveau van tracks. Het voordeel hieraan is dat het volledig open staat om deze muziek te gebruiken. Deze bestanden zijn namelijk gevonden op publieke plaatsen. Om deze redenen zal Echo Nest een betere partij zijn voor het kunnen afspelen van audio-bestanden.
Invloed van wereld
Het enige platform dat iets kan vertellen over wat de wereld vindt van een bepaalde artiest is Echo Nest.
Zoals eerder gezegd verzamelt dat platform zijn data door het gehele Web te crawlen, op zoek naar muziek-gerelateerde informatie. Doordat het al deze informatie kan interpreteren trekt het conclusies over bijvoorbeeld de bekendheid en de populariteit van een artiest. Wanneer er namelijk veel over een artiest wordt gepraat op het Web, zal deze ook bekender zijn. Echo Nest biedt deze functionaliteiten aan onder de namen “Familiarity” en “Hotttnesss”, wat respectievelijk bekendheid en populariteit betekent.
de keuze is gemaakt
Van de drie platforms blijkt 7digital niet bruikbaar. De data waarin wordt voorzien is te beperkt en om gegevens van artiesten te achterhalen dient eerst zijn identiteitsnummer bekend te zijn. Dit zou een omslachtige werkwijze zijn, waarbij er het dubbele aantal calls moeten worden gedaan.
Last.FM is een belangrijke partij en voorziet in het startpunt van het systeem. Het weet namelijk de muzieksmaak van de gebruiker. Dit is het startpunt het systeem en dus cruciaal
Echo Nest is de partij die vooral voor de aanvullende gegevens zorgt. Het weet de bekendheid en populariteit van de artiesten. Daarnaast heeft het toegang tot muziekbestanden van deze artiesten. Samen met Last.
FM zullen zij dus zorgen voor de benodigde informatie. In fig. 3.3 staat schematisch weergegeven waar elk platform voor gebruikt zal worden.
Fig. 3.3 - Schematische weergave muziekplatforms
11 http://developer.echonest.com/docs/v4/artist.html#audio
12 http://developer.echonest.com/docs/v4/artist.html#video Bron van informatie | 14
15 | HET ALGORITME
Het algoritme
“Nu zowel het gebruikersprofiel als het artiestenprofiel bekend zijn, is de data geschikt om met elkaar vergeleken te worden.”
In hoofdstuk 2 zijn de doelen van het systeem bepaalt. Daarbij kwam sterk naar voren dat een persoonlijke aanpak gewenst is. In hoofdstuk 3 werd duidelijk welk muziekplatform er gebruikt gaat worden per doel om aan de benodigde data te komen. In dit hoofdstuk worden beiden hoofdstukken gecombineerd en zal er toegelicht worden hoe de uiteindelijke aanbeveling op de line-up van een festival bepaald wordt.
Hiervoor wordt uitgelegd hoe elk muziekplatform specifiek gebruikt gaat worden. Maar ook zullen de wiskundige berekeningen, welke tot een aanbeveling komen, worden toegelicht. Ter ondersteuning zal in dit hoofdstuk gebruik worden gemaakt van een voorbeeldsituatie. Deze is te vinden in bijlage 4, 5 en 6.
gebruikersprofiel
Een aanbeveling wordt altijd gegeven op basis van bestaande gegevens. Wanneer er namelijk geen eerdere gegevens over interesses bekend zijn, kan het systeem onmogelijk weten waar de gebruiker van houdt. Een dergelijke aanbeveling zou dan dus puur op willekeurige basis zijn. In het geval van dit uiteindelijke aanbeve- lingssysteem is de muzieksmaak van de gebruiker het startpunt. Dit is alles wat er van de gebruiker bekend is en het representeert exact de muziek waar de gebruiker van houdt. Zoals in hoofdstuk 3 omschreven staat, wordt de muzieksmaak van Last.FM herleidt. Dit is echter slechts een lijst met namen van artiesten.
Deze informatie is niet direct bruikbaar om een aanbeveling te doen, maar zal wel als startpunt dienen.
Van de gebruiker zal er namelijk een profiel van tags worden gecreëerd.
Tags als basis
In aanbevelingssystemen spelen tags al lange tijd een belangrijke rol. Een tag omschrijft namelijk een aspect van een “ding”. Dit is in feite op alles toepasbaar, zoals muziek, films en producten. Alle tags bij elkaar beschrijven het volledige “ding”. In het geval van muziek bestaan de tags van een artiest voornamelijk uit speelstijlen, zoals blues, rock en pop. Deze kenmerken dus de artiest. Doordat deze informatie bekend is, kan een systeem daarvan gebruik maken om deze tags met elkaar te vergelijken en op deze manier een overeenkomst te achterhalen. In dit geval draait het om een vergelijking tussen de gebruiker en een artiest. Van de artiesten zijn de tags bekend, maar van de gebruiker niet. Deze zijn dus niet met elkaar te vergelijken. Om ervoor te zorgen dat dit toch mogelijk is zal een tag-profiel van de gebruiker worden gemaakt. Dit wordt bereikt door van elke artiest uit de muzieksmaak de tags te indexeren. Hieruit komt een zelfde soort profiel als van de artiest al bekend is.
Het Algoritme | 16
Hierdoor zijn zij toch met elkaar te vergelijken en kan de overeenkomst berekend worden. Echter, simpelweg twee tags met elkaar vergelijken zegt nog vrij weinig. Het feit dat bij beiden bijvoorbeeld de tag “Rock”
voorkomt, zegt alleen dat beiden met rock in aanraking zijn gekomen, maar niet hoe belangrijk dit is. Daarom zullen de tags van Echo Nest worden gebruikt. Dit platform haalt zijn tags namelijk van het volledige Web, wat het onafhankelijk maakt. Daarnaast berekent het van elke tag hoe belangrijk deze is voor de artiest.
Categorie Frequentie Distributie
Om het gebruikersprofiel te creëren, zal gebruik worden gemaakt van de techniek “Categorie Frequentie Distributie”(13). Hiermee kan worden berekend hoe zwaar een tag meeweegt in het geheel, ook wel relatieve frequentie genoemd. Deze frequentie geeft namelijk aan hoeveel de gebruiker van bijvoorbeeld rock houdt.
Door dit van alle tags te berekenen wordt er een profiel geschetst. Dit profiel kan later vergeleken worden met een artiest, om zodoende de overeenkomst tussen beiden te bepalen.
Om de relatieve frequentie van een tag te achterhalen dient allereerst de totale frequentie te worden berekend. Dit is noodzakelijk om te bepalen hoe belangrijk een tag is in het grote geheel. Om dit verder toe te lichten zal gebruik worden gemaakt van het voorbeeld uit bijlage 4 en 5. Hierin is van een willekeurige Last.FM-gebruiker de top tien artiesten genomen. Van elk van deze artiesten zijn de tien hoogste tags genomen. Ter illustratie is in fig. 4.1 een gedeelte van zowel bijlage 4 als 5 te zien.
Top 10 tags Mayer John Bareilles Sara Jason Mraz patrol Snow Clark Alain Frequentie Rel. Freq.
Pop rock 1,000 1,000 1,000 0,864 0,794 4,657 0,055
Soft Rock 0,995 0,931 0,979 0,886 4,611 0,055
Easy Listening 0,969 0,870 0,988 0,746 3,574 0,043
Frequentie per tag
Het is dus zaak om de relatieve frequentie van elke tag te berekenen. Dan is immers duidelijk hoe belangrijk een bepaalde tag is. De tabel “Top 10 tags” (zie fig. 4.1) geven de tags weer van elke artiest. Om tot een relatieve frequentie te komen, zal eerst de totale frequentie moeten worden berekend. Om deze te kunnen berekenen dienen de frequenties per tag bij elkaar opgeteld te worden. Om achter deze frequentie te komen dienen de tags te worden geclusterd en bij elkaar te worden opgeteld. In het geval van “pop rock”
ziet deze berekening er als volgt uit:
De tag “pop rock” komt dus in totaal op een frequentie van 4,657. Dit zegt nu nog niets. Het gewicht is namelijk afhankelijk van de frequentie van alle andere tags. Wanneer de gebruiker namelijk veel muziek luistert kan een frequentie van 4,657 laag zijn, maar als hij weinig muziek luistert zou dit een hoge frequentie kunnen zijn. Oftewel, deze waarde is slechts relatief.
13 http://www.1000stores.net/Frequency%20Distribution.cfm Fig. 4.1 - Snippet top 10 tags van bijlage 4 en 5
Frequentie = 1 + 1 + 1 + 0,864 + 0,794 = 4,657
17 | Het Algoritme
Totale frequentie
De frequentie van “pop rock” is dus 4,657. Dezelfde berekening zal ook voor alle andere tags moeten worden uitgevoerd. Doordat dan van elke tag de frequentie bepaald is, kan de totale frequentie worden berekend. Deze wordt berekend door simpelweg alle frequenties bij elkaar op te tellen. In dit voorbeeld komt dat uit op het getal 84,013.
Relatieve frequentie per tag
Nu de totale frequentie is bepaald, kan de relatieve frequentie worden berekend. Dit betekent dat er dus bepaald gaat worden hoe zwaar een tag in het geheel meeweegt. Aangezien de totale frequentie altijd 100% is, kan de relatieve frequentie berekend worden door de frequentie relatief te stellen aan de totale frequentie. In het geval van de tag “pop rock” zou dit de volgende berekening opleveren:
Het wordt hierdoor dus duidelijk dat de tag “pop rock” een relatieve frequentie heeft van 0,055. Dezelfde berekening wordt uitgevoerd voor alle andere tags. De som van alle de relatieve frequenties komt altijd op 1 uit. Het is namelijk een getal op een schaal van 0 tot 1, waarbij 1 het totale weergeeft.
Het gebruikersprofiel is nu gecreëerd. Het is immers duidelijk hoeveel de gebruiker van bijvoorbeeld rock houdt. De volgende stap die gezet moet worden heeft betrekking tot de artiest. Het betreft het creëren van het artiestenprofiel.
Artiestenprofiel
De muziek van een artiest is nooit te plaatsen in één tag. Muziek is namelijk zo veelzijdig dat er altijd nog andere invloeden en eigenschappen te ontdekken zijn. Dit betekent dat er bij alle artiesten sprake is van een verzameling aan tags. Het uiteindelijke doel is dat een artiest vergeleken kan worden met het gebruiker- sprofiel. Uit deze vergelijking dient duidelijk te worden wat de overeenkomst tussen beiden is. Om deze vergelijking echter te kunnen maken, dienen de type data hetzelfde te zijn. Appels zijn immers niet met peren te vergelijken en daarom is het noodzakelijk om ook van elke artiest een tag-profiel te creëren. Om dit te verduidelijken zal dit proces worden geïllustreerd aan de hand van een voorbeeld-artiest; John Mayer.
Zoals eerder al vermeld is worden de tags van Echo Nest herleidt. Die informatie is namelijk gebaseerd op wat er over het gehele Web wordt gezegd over artiesten(14). In tegenstelling tot Last.FM waar alle informatie afkomstig is van een relatief kleine groep muziekliefhebbers. Echo Nest geeft voor John Mayer 28 tags terug. Ook weer in fig. 4.1 zijn de drie hoogste verwerkt.
14 http://the.echonest.com/company/ Het Algoritme | 18
Doordat elke tag nu slechts één keer voorkomt, in tegenstelling tot het gebruikersprofiel, is het niet nodig de frequentie per tag te berekenen. De totale frequentie kan dus direct berekend worden. Net als bij het gebruikersprofiel moet hiervoor de frequentie van elke tag bij elkaar worden opgeteld. In het geval van John Mayer komt dit uit op 9,294.
Tot slot zal de relatieve frequentie worden uitgerekend. Dit is immers hetgeen dat vergeleken gaat worden met de gebruiker. Ook nu betekent dit dat de frequentie relatief gesteld moet worden aan de totale frequentie. In het geval van “pop rock” is dit:
Op deze manier wordt de relatieve frequentie van elke tag berekend en ontstaat er een tag-profiel. Nu is dus duidelijk hoe zwaar elke tag meeweegt in de stijl van John Mayer.
Overeenkomst gebruiker en artiest
Nu zowel het gebruikersprofiel als het artiestenprofiel bekend zijn, is de data geschikt om met elkaar vergeleken te worden. Het doel ervan is erachter te komen wat de overeenkomst is tussen de gebruiker en een artiest. Hiervoor zullen van beiden de tags met elkaar worden vergeleken. Deze vergelijking wordt uitgevoerd aan de hand van de techniek “City Distance Block”(15). Deze techniek berekent het verschil tussen twee punten. Des te kleiner de uitkomst, des te dichter de twee punten bij elkaar liggen. Oftewel, hoe kleiner het verschil is tussen de tags van de gebruiker en de artiest, hoe groter de overeenkomst is tussen beiden. De uitkomst van de aanbeveling zal dus een getal zijn, welke de overeenkomst aangeeft tussen gebruiker en artiest. Ter verduidelijking van deze theorie zal weer de artiest John Mayer als voorbeeld gebruikt worden. Ook worden weer de gegevens van fig. 4.1 gebruikt en die van bijlage 6.
Allereerst moeten dus de tags van de artiest worden vergeleken met die van de gebruiker. Daarvoor wordt de relatieve frequentie gebruikt die eerder in dit hoofdstuk al berekend zijn. Per tag zal het verschil tussen beiden worden berekend. Zoals te zien is, bevat John Mayer onder andere de tag “pop rock”. De relatieve frequentie is 0,108. Bij de gebruiker heeft de tag “pop rock” een relatieve frequentie van 0,055. De City Distance Block-waarde is dus:
15 http://people.revoledu.com/kardi/tutorial/Similarity/CityBlockDistance.html
Relatieve frequentie = 1 / 9,294 = 0,108
= (0,108 - 0,055) = 0,052
19 | Het Algoritme
Het verschil tussen de gebruiker en de artiest wat betreft de tag “pop rock” is dus 0,052. Deze berekening dient voor alle tags van de artiest te worden gemaakt. Hieruit volgt een lijst met verschillen tussen de tags. Nu alle verschillen bekend zijn is er nog één stap te voldoen. Het streven is immers om één getal als resultaat te krijgen en op dit moment is er een lijst aan getallen bekend. Om dit op te lossen zal middels de techniek “Arithmetic Mean”(16) de verschillen worden samengevoegd tot een gemiddeld getal. De som die hieruit volgt is:
Het verschil tussen de gebruiker en John Mayer is dus 0,051. Dit is dus een overeenkomst van:
Dit is een zeer grote overeenkomst. Maar dat is niet raar, gezien het feit dat John Mayer volgens Last.FM de meest beluisterde artiest is van de gebruiker.
Deze overeenkomst is ook in kaart te brengen. In fig. 4.2 (zie blz. 21) staat de overeenkomst tussen de gebruiker en John Mayer geïllustreerd. Hiervoor wordt de artiest met de gebruiker vergeleken. De vier belangrijkste tags worden vergeleken met die van de gebruiker. Het gele veld is het gebied waarin beiden met elkaar overeenkomen. Bij John Mayer is dit zeer groot, aangezien dat de meest gewaarde artiest is volgens Last.FM. De tags komen dus in grote mate met elkaar overeen.
In fig. 4.3 is eenzelfde schema gemaakt van de artiest Volbeat. De gebruiker kent deze nog niet en blijkt ook niet bij hem in de smaak te vallen. Dat blijkt uit de vergelijking van de tags. De gebruiker heeft nagenoeg geen overeenkomst met deze artiest, waardoor het gele overeenkomst-veld zeer klein is.
16 http://mathworld.wolfram.com/ArithmeticMean.html
= (0,052 + 0,052 + 0,062 + 0,042 + 0,089 + 0,032 + 0,054 + 0,0550 + 0,049 + 0,025) / 10 = 0,051
1 - 0,051 = 0,949
Het Algoritme | 20
Fig. 4.2 - Overeenkomst gebruiker met John Mayer
Fig. 4.3 - Overeenkomst gebruiker met Volbeat
21 | Het Algoritme
Invloed van het Web
Wat betreft het aanbevelen staat er nog één doel open. Er is namelijk slechts naar de beluisterde muziek van de gebruiker gekeken, maar ook datgene wat er op het Web wordt gezegd zal invloed hebben. Oftewel, wat vindt de rest van de wereld van deze artiest en hoe bekend is hij eigenlijk? Hiervoor zullen er twee functionaliteiten van Echo Nest worden gebruikt; Familiarity en Hotttnesss.
De bekendheid van een artiest
Echo Nest beschikt over verscheidene soorten data van meer dan 1,6 miljoen artiesten(17). Zo weet het onder andere hoe bekend een artiest is in de wereld, of zoals Echo Nest het noemt: Familiarity(18). Dit wordt gedaan door dagelijks miljoenen artikelen op het Web te crawlen en de tekst ervan te interpreteren. Hoe vaker er op bijvoorbeeld blogs over een artiest wordt geschreven, hoe bekender deze is.
Om achter de Familiarity van John Mayer te komen dient er een service-call te worden gedaan naar de API van Echo Nest. Deze API geeft een JSON-response, zoals weergegeven in figuur 4.4.
Zoals te zien is geeft Echo Nest een getal terug op een schaal van 0 tot 1. John Mayer heeft in dit geval een familiarity van 0,865. Dit cijfer dient gecombineerd te worden met de uitkomst van de eerder beschreven aanbeveling gebaseerd op het gebruikersprofiel. Doordat beide cijfers van hetzelfde type zijn hoeft hier geen conversie meer plaats te vinden.
De populariteit van een artiest.
Naast de bekendheid van een artiest kan dus ook de populariteit worden achterhaald, of zoals Echo Nest het noemt: Hotttnesss(19). Dat bekendheid van een artiest geeft namelijk aan hoeveel er over hem geschreven wordt, maar het zegt niets over wát er geschreven wordt. Het kan immers ook negatief zijn. De Hotttnesss ondervangt dit door te bepalen op welke manier er over de artiest wordt gepraat; positief of negatief.
Ook deze API-functionaliteit geeft een JSON-response terug, zoals in figuur 4.5 te zien is.
artist: {
familiarity: 0.8657255445714988, id: “ARZENOX1187B98A645”,
name: “John Mayer”
}
Fig. 4.4 - JSON response Familiarity
17 http://blog.echonest.com/post/6566331252/artist-entity-extraction-for-all-opening-our-puddle
18 http://developer.echonest.com/docs/v4/artist.html#familiarity
19 http://developer.echonest.com/docs/v4/artist.html#hotttnesss
artist: {
hotttnesss: 0.5559164298774739, id: “ARZENOX1187B98A645”,
name: “John Mayer”
}
Fig. 4.5 - JSON response Hotttnesss
Het Algoritme | 22
Ook dit getal ligt op een schaal van 0 tot 1. Het hoeft daardoor geen conversie te ondergaan om gecombineerd te kunnen worden met de aanbeveling op het gebruikersprofiel.
De uiteindelijke score
Nu zijn alle cijfers bekend om de uiteindelijke aanbeveling te kunnen geven. Ten eerste is er de overeenkomst tussen John Mayer en het gebruikersprofiel. Ten tweede is ook bekend hoe de wereld John Mayer ziet, namelijk zijn bekendheid en populariteit. Deze drie cijfers dienen samengevoegd te worden tot één cijfer.
Hier kan echter niet simpelweg een gemiddelde uit worden getrokken. Niet alle onderdelen zijn namelijk even belangrijk. Afhankelijk van de gestelde doelen zijn de onderdelen in meer of mindere mate belangrijk.
Om dit op te lossen zal er gebruik gemaakt worden van de techniek “Weighted Mean”(20). Daarmee kan namelijk aan elk betrokken cijfer een gewicht worden meegegeven. Dit gewicht geeft aan hoeveel belangrijker het ene cijfer ten opzichte van het andere is.
Er is geen wetenschappelijke berekening om achter deze gewichten te komen. Het is afhankelijk van de situatie en hoe belangrijk elk onderdeel in het geheel is. Oftewel, wat is het doel van de uitkomst en hoeveel draagt elk onderdeel hieraan bij?
Eén van de belangrijkere doelen is een persoonlijk toegespitste aanbeveling. Het draait er immers om dat een gebruiker aanbevelingen op de line-up van een festival krijgt, zodat hij deze beter kan inplannen. Om deze reden is het gebruikersprofiel de belangrijkste factor in de aanbeveling. De invloed van de wereld is een extra toevoeging en mag daarom de rest niet teveel beïnvloeden. Daarom is ervoor gekozen het gebruikersprofiel 4 keer mee te laten wegen en de Familiarity en Hotttnesss beiden 1 keer.
Dit komt uit op de volgende berekening:
De uiteindelijke aanbeveling die gegeven wordt voor John Mayer aan de gebruiker is dus 0,870.
Hoe alternatiever, hoe beter!
In deze scriptie wordt ervan uitgegaan dat de gebruiker een zo perfect mogelijke aanbeveling krijgt, volledig toegespitst op zijn muzieksmaak. Echter, doordat de bekendheid en de populariteit bekend zijn van de artiest zou ook het tegenovergestelde als doel gesteld kunnen worden. Wanneer de gebruiker namelijk juist op zoek is naar onbekende bandjes, zou een lagere bekendheid in het voordeel kunnen werken bij de aanbeveling. Op deze manier kunnen ontwikkelaars, welke deze API zouden gebruiken, de mogelijkheid hebben om hier speels mee om te gaan.
20 http://mathworld.wolfram.com/WeightedMean.html
= ((4) 0,949 + (1) 0,866 + (1) 0,556) / (4 + 1 + 1)
= (3,976 + 0,866 + 0,556) / 6 = 0,870
23 | Het Algoritme
De gebruiker wil zelf beslissen
Nu is er een aanbeveling gedaan op één artiest. Ditzelfde proces zal voor elke artiest op de line-up van het betreffende festival moeten worden uitgevoerd. Dit betekent het einde van de systematische aanbeveling.
Deze gegevens kunnen verwerkt worden in een applicatie. Dit systeem is echter niet gemaakt om artiesten op te dringen, maar dient slechts als leidraad. Het feit dat de aanbeveling op John Mayer als uitkomst 0,870 heeft maakt alleen maar duidelijk dat die artiest hoogstwaarschijnlijk leuk gevonden zal worden door de gebruiker. Het maakt echter niet duidelijk waarom dit zo zou moeten zijn en de gebruiker kan dus geen concrete conclusies trekken. Daarvoor zal er meer informatie toegereikt kunnen worden, zodat de gebruiker zich een beter beeld van de artiest kan vormen.
Overeenkomende artiesten
De muzieksmaak van de gebruiker is reeds bekend. Er zijn dus artiesten die hij al kent. Op de line-up van een festival staan echter vrijwel altijd artiesten die hij nog niet kent. Het kan dan dus moeilijk zijn om een beeld te vormen van deze artiesten, zelfs wanneer het genre bekend zou zijn. Het feit dat de gebruiker van bijvoorbeeld pop zou houden, betekent niet direct dat hij alle pop-artiesten leuk zal vinden. Om dus een beter beeld te kunnen vormen moet deze onbekende artiest vergeleken worden met de artiesten die al bekend zijn bij de gebruiker. Doordat Last.FM de muzieksmaak kent, zal ook dat platform weer gebruikt worden om deze vergelijking te maken. Last.FM biedt in zijn API niet de mogelijkheid om dit automatisch te doen, maar de muzieksmaak is bekend en het biedt wel de functie soortgelijke artiesten te krijgen. Op die manier kunnen de soortgelijke artiesten worden vergeleken met de muzieksmaak.
Het ervaren van de muziek
De enige manier waarop volledige zekerheid kan worden geboden is het laten ervaren van een artiest.
Wanneer de gebruiker namelijk de muziek kan horen, kan hij zelf bepalen of het bevalt. Uit de interviews (bijlage 1) bleek immers dat dit nu handmatig door de gebruiker wordt gedaan met behulp van media als YouTube. Echo Nest biedt, zoals in hoofdstuk 3 duidelijk werd, de beste mogelijkheden hiervoor. De API bevat namelijk een functionaliteit die dit met een simpele service-call teruggeeft.
Systeem is niet alleen voor festivals
Het zojuist beschreven systeem is ontstaan vanuit een behoefte omtrent festivals. Namelijk het vergemak- kelijken en ondersteunen bij het inplannen van een festival. Het daaruit voortgevloeide systeem is, zoals eerder gezegd, een API. Dit betekent dat andere ontwikkelaars deze data kunnen opvragen bij de API om te gebruiken in een applicatie.
Ondanks het feit dat dit systeem is bedacht voor festivals, is deze ook voor andere doeleinden geschikt. Er is namelijk rekening gehouden met het vergelijken van een gebruiker met de line-up van een festival. Wanneer er echter specifieker wordt gekeken naar een line-up nou eigenlijk is, blijkt dat dit niets anders is dan een lijst van artiesten. Oftewel, doordat dit systeem ontwikkeld is op het verwerken van een line-up, betekent dit in feite dat het ontwikkeld is om een lijst van artiesten te verwerken. Het verschil tussen een line-up en een willekeurige lijst is slechts praktisch voelbaar. Wanneer een toepassing namelijk gericht is op festivals zal het voelen alsof de gebruiker echt met een line-up wordt vergeleken. Technisch gezien, echter, zit hier totaal geen verschil tussen en wordt deze gebruiker simpelweg met een lijst van artiesten vergeleken.
Het Algoritme | 24
25 | Conclusie
conclusie
“...wordt de muziekbibliotheek van Last.FM gebruikt.
Hierin staan namelijk alle beluisterde nummers van de gebruiker en representeert dus de muzieksmaak.”
Het onderzoek om het aanbevelingssysteem te kunnen realiseren draaide om de volgende onderzoeksvraag:
Hoe kan een combinatie van muziekplatforms gebruikt worden om mensen te ondersteunen tijdens het inplannen
van een muziekfestival?
Er is dus gezocht naar een manier om mensen te ondersteunen tijdens het inplannen van een muziekfestival.
Daarvoor is het noodzakelijk te weten wat deze mensen, of ook wel gebruikers, dan precies willen.
Gebruikers
Er zijn zoveel muziekfestivals in Nederland dat door de bomen het bos niet meer gezien kan worden. Voor een festivalganger kan het dus moeilijk worden om te bepalen wat interessant voor diegene is. Daarom is aan hen gevraagd hoe zij graag ondersteund willen worden hierin.
Het blijkt dat een persoonlijke aanpak het belangrijkste is. De gebruiker wil met zo min mogelijk moeite een zoveel mogelijk op hem toegespitste aanbeveling krijgen. Om dit te verwezenlijken wordt de muziekbi- bliotheek van Last.FM gebruikt. Hierin staan namelijk alle beluisterde nummers van de gebruiker en representeert dus de muzieksmaak.
Daarnaast blijkt dat de gebruiker beïnvloedt wordt door de buitenwereld. Functionaliteiten, zoals het “liken”
van muziek, blijken bepalend te zijn in de keuze hiervoor. Om deze invloeden te kunnen gebruiken wordt Echo Nest ingeschakeld. Dat is namelijk een platform, welke het hele Web crawlt op zoek naar informatie over muziek. De aanbeveling wordt daardoor beïnvloedt door de populariteit en de bekendheid van de artiest.
Tot slot vindt de gebruiker het belangrijk dat het systeem niet bepalend is. Zij vertrouwen erop dat het goede resultaten geeft, maar willen zelf altijd het eindoordeel kunnen geven. Daarom wordt er ook nog andere informatie gegeven, namelijk overeenkomstige artiesten en audio-materiaal.
Conclusie | 26
Muziekplatforms
De informatie die gebruikt wordt komt volledig van derden. Hiervoor zijn drie platforms in aanmerking gekomen; 7digital, Last.FM en Echo Nest. Het bleek echter dat 7digital minder aanbood dan verwacht en ook een omslachtige werkwijze handhaaft en is daardoor niet in gebruik genomen.
De belangrijkste is Last.FM. Dit platform wordt namelijk gebruikt om de muzieksmaak te achterhalen.
Doordat het bijhoudt wat de gebruiker luistert, ontstaat er een bibliotheek aan muziek.
Echo Nest richt zich daarentegen volledig op de artiest. Zo weet het onder andere hoe populair en hoe bekend een artiest is. Deze gegevens worden gebruikt om invloeden van de rest van de wereld te verwerken in de aanbeveling.
Het geven van een aanbeveling
De uiteindelijke aanbeveling is gebaseerd op tags. Door de tags van alle beluisterde artiesten te indexeren ontstaat er een gebruikersprofiel aan tags. Ook van de artiest wordt er een tag-profiel geïndexeerd. Doordat van beiden dezelfde soort data bekend is, zijn deze te vergelijken.
Om de overeenkomst tussen de gebruiker en een artiest te achterhalen, wordt het verschil berekend met behulp van de City Distance Block methode. Hieruit blijkt de afstand tussen beiden en hoe kleiner de afstand, hoe groter de overeenkomst. Dit resulteert in een cijfer op een schaal van 0 tot 1.
Deze overeenkomst wordt nog beïnvloedt door de populariteit en de bekendheid van de artiest, verkregen via Echo Nest. Middels de Weighted Mean methode, wordt aan elk onderdeel een gewicht gegeven, waaruit een gemiddelde wordt getrokken. Het gebruikersprofiel is het belangrijkst van de drie en weegt daarom vier keer mee. De populariteit en de bekendheid wegen beiden één keer mee.
Het systeem biedt een aanbeveling, maar deze mag niet alles bepalend zijn. De gebruiker wil zelf invloed uit kunnen oefenen op de beslissing en wil daar graag bij geholpen worden. Daarom biedt het systeem ook nog twee extra functionaliteiten.
Het aanbieden van met de onbekende artiest overeenkomstige artiesten, welke in de muzieksmaak voorkomen. Hierdoor kan de gebruiker zich een beeld vormen, doordat hij een terugkoppeling krijgt met zijn eigen smaak.
Om ervoor te zorgen dat er voor de gebruiker geen twijfel meer bestaat, kan er ook muziek beluisterd worden. Op deze manier kan de artiest ervaren worden en is direct te beslissen of deze in de smaak valt.
27 | Conclusie
1. Cruijffiaans. Laatst verkregen op 4 juli, 2011 van http://nl.wikipedia.org/wiki/Cruijffiaans
2. Last.FM - Nederlandse festivals (z.d.). Laatst verkregen op 4 juli, 2011 van http://www.last.fm/
festivals/+place/Netherlands
3. About Echo Nest. Laatst verkregen op 4 juli, 2011 van http://the.echonest.com/company/
4. 7digital Developers. Laatst verkregen op 3 augustus, 2011 van http://developer.7digital.net/
5. Echo Nest API - Catalog. Laatst verkregen op 4 juli, 2011 van http://developer.echonest.com/docs/
v4/catalog.html
6. Last.FM - Download Scrobbler. Laatst verkregen op 4 juli, 2011 van http://www.last.fm/download
7. 7digital API - Artist search. Laatst verkregen op 4 juli, 2011 van http://api.7digital.com/1.2/static/
documentation/7digitalpublicapi.html#artist/search
8. Echo Nest Song2Song. Laatst verkregen op 4 juli, 2011 van https://echonest-corp.s3.amazonaws.
com/docs/whitepapers/Song2Song-1_0.pdf
9. Last.FM API - Taste-O-Meter. Laatst verkregen op 4 juli, 2011 van http://www.last.fm/api/
show?service=258
10. 7digital API - Track preview. Laatst verkregen op 4 juli, 2011 van http://api.7digital.com/1.2/static/
documentation/7digitalpublicapi.html#track/preview
11. Echo Nest API- Artist audio. Laatst verkregen op 4 juli, 2011 van http://developer.echonest.com/
docs/v4/artist.html#audio
12. Echo Nest API - Artist video. Laatst verkregen op 4 juli, 2011 van http://developer.echonest.com /docs/v4/artist.html#video
literatuur
Literatuur | 28
13. Frequency Distribution Table. Laatst verkregen op 10 augustus, 2011 van http://www.1000stores.
net/Frequency%20Distribution.cfm
14. About Echo Nest. Laatst verkregen op 4 juli, 2011 van http://the.echonest.com/company/
15. City Block Distance. Laatst verkregen op 4 juli, 2011 van http://people.revoledu.com/kardi/tutorial/
Similarity/CityBlockDistance.html
16. Arithmetic Mean. Laatst verkregen op 4 juli, 2011 van http://mathworld.wolfram.com/
ArithmeticMean.html
17. Echo Nest, 2011. “Artist entity extraction for all - opening our “Puddle”. Laatst verkregen op 4 juli, 2011 van http://blog.echonest.com/post/6566331252/artist-entity-extraction-for-all-opening- our-puddle
18. Echo Nest API - Familiarity. Laatst verkregen op 4 juli, 2011 van http://developer.echonest.com/
docs/v4/artist.html#familiarity
19. Echo Nest API- Hotttnesss. Laatst verkregen op 4 juli, 2011 van http://developer.echonest.com/
docs/v4/artist.html#hotttnesss
20. Weighted Mean. Laatst verkregen op 4 juli, 2011 van http://mathworld.wolfram.com/
WeightedMean.html
29 | Literatuur
Bijlage 1 - Interviews
Doel
Het doel van deze interviews is om erachter te komen hoe mensen met muziek omgaan, in hoeverre zij gebruik maken van online muziekplatforms en op welke manier zij graag aanbevelingen krijgen over nieuwe muziek.
Interview 1 Geslacht: Man Leeftijd: 20
Telefoon: iPhone 4
Introductie
De introductie is voornamelijk om het gesprek op gang te krijgen en de geïnterviewde op het gemak te stellen.
1. Wie zijn op dit moment uw favoriete bands?
Bo Burnham en The Feeling 2. Luistert u veel naar muziek?
Ja, de hele dag door. Dat komt ook omdat ik bij een radiostation werk.
Nieuwe muziek ontdekken
In dit gedeelte wordt er geprobeerd duidelijk te krijgen of de geïnterviewde veel bezig is met het ontdekken van nieuwe muziek en op welke manier dit gedaan wordt.
3. Welke programma’s gebruik je om muziek af te spelen?
Ik luister voornamelijk via iTunes en onderweg met de iPod. Daarnaast gebruik ik Spotify en YouTube.
4. Hoe luister je nu naar muziek en hoe kom je eraan?
In eerste instantie download ik het. Wanneer ik het erg leuk vind koop ik het ook. Ik krijg ook veel CD’s mee van mijn werk.
5. Vindt u zelf dat u veel bezig bent met het opzoeken van nieuwe muziek?
Enigszins. Ik gebruik wel bepaalde muziekplatforms om aanbevelingen te krijgen. Ik vind het ook leuk om gewoon een muziekwinkel in te lopen en een beetje rond te kijken. Zo af en toe krijg ik aanbevelingen
bijlagen
Bijlagen | 30
van vrienden, maar vooral via mijn werk bij het radiostation. Ook ken ik veel nieuwe nummers van TV-reclames. Deze zoek ik dan op met Shazam. Maar het meeste gebruik ik nog wel YouTube. Dan zoek ik een nummers op en klik gewoon een beetje verder in de gerelateerde video’s.
Muziekplatforms
Welke muziekplatforms, zoals Last.FM, worden er gebruikt en wat is de reden daarvoor?
6. Welke muziekplatforms, zoals Last.FM, gebruik je?
YouTube, Spotify en Genius van iTunes.
7. Wat is de reden dat u deze gebruikt?
Op YouTube zoek ik vooral naar covers van goede nummers. Op Spotify zoek ik vervolgens de rest van een album van een nieuwe artiest op. Genius gebruik ik om afspeellijsten te laten genereren.
Aanbevelingen
8. Hoeveel waarde hecht u aan de aanbevelingen die gegeven worden door muziekplatforms?
Ik krijg voornamelijk aanbevelingen van Genius. Hier hecht ik veel waarde aan, aangezien ik meestal de muziek van mijn eigen library gebruik. Dit is dus allemaal muziek die ik leuk vind. Toch vind ik het ook erg fijn om gewoon aanbevelingen van vrienden te krijgen.
9. Wanneer wil je recommendations ontvangen?
Wanneer ik even niets te doen heb ga ik vaak een zoeken naar nieuwe muziek.
Festivalplanning
Gaat de geïnterviewde weleens naar muziekfestivals en in hoeverre wordt er daarbij een planning gemaakt?
10. Naar welke muziekfestival gaat u door het jaar heen?
Pinkpop, Lowlands, Parkpop, Paaspop, Bevrijdingsfestival en Spijkpop.
11. Wat is over het algemeen de reden om te gaan?
Ik kan nog weleens kaarten krijgen van mijn werk. Dan vind ik het erg leuk om te gaan. Ook word ik vaak door vrienden meegevraagd. Dan vind ik het al gauw gezellig om mee te gaan. Sommige festivals bezoek ik ook echt voor de sfeer, ongeacht de line-up.
12. In hoeverre plant u het festival vooraf in en op welke manier gebeurt dit?
Vooraf aan een festival maak ik wel een planning, maar niet zwart op wit. Ik bekijk vooral naar welke artiesten ik absoluut wil en welke ik daardoor moet missen. Ik print het niet uit en op het festival zelf kan het dus nog veranderen.
13. Wat doet u wanneer er op een bepaald moment geen bekende artiesten optreden?
Dan ga ik meestal gewoon met vrienden mee. Het maakt mij niet zo uit waar ik dan heen ga.
31 | Bijlagen
Aanvullingen
Ik zou graag een dergelijke app willen voor het inplannen van een festival. Ik heb ervaring met de Lowlands-app, maar vond deze erg slecht. Aanbevelingen op artiesten zouden helpen bij het maken van de planning. Het moet echter wel een zeer duidelijke interface zijn.
Vanwege de batterij van mijn iPhone heb ik de planning liever op papier uitgeprint. Ik hecht overigens veel waarde aan het liken van artiesten. Een artiest die meer geliked is dan een ander, zal ik sneller opnemen in de planning.
Bijlagen | 32
Interview 2 Geslacht: Man Leeftijd: 24
Telefoon: Samsung Omnia
Introductie
De introductie dient voornamelijk om het gesprek op gang te krijgen en de geïnterviewde op het gemak te stellen.
1. Wie zijn op dit moment uw favoriete band?
Dream Theater, Angels & airwaves, Carrie Underwood. Roger Waters en 30STM.
2. Luistert u veel naar muziek?
Overdag tijdens het werk luister ik vrij weinig naar muziek, aangezien ik veel met andere mensen werk.
Maar als ik ‘s avonds thuis kom zet ik altijd muziek op.
Nieuwe muziek ontdekken
In dit gedeelte wordt er geprobeerd duidelijk te krijgen of de geïnterviewde veel bezig is met het ontdekken van nieuwe muziek en op welke manier dit gedaan wordt.
3. Welke programma’s gebruik je om muziek af te spelen?
Meestal gebruik ik de Last.FM Radio om mijn eigen library mee af te spelen. Dat is immers de muziek, waarvan ik zeker weet dat ik het leuk vind. Maar soms luister ik ook de recommendation-radio om nieuwe muziek te ontdekken. Anders gebruik ik iTunes en onderweg mijn iPod.
4. Hoe kom je over het algemeen aan muziek?
In principe download ik alles en de écht coole dingen koop ik.
5. Vindt u zelf dat u veel bezig bent met het opzoeken van nieuwe muziek?
Ja, ik vind van wel. Vaak spar ik hierover met vrienden. Zij komen dan met een artiest die zij cool vinden en waarvan ze denken dat ik dat ook wel kan waarderen. Dan zoek ik het op met YouTube en als ik een nummer leuk vind, download ik direct het hele album. Daarnaast wil het ook weleens gebeuren dat ik een muziekvideo op YouTube bekijk en dat een artiest die ik goed vind een duet doet met een onbekende. Dan zoek ik diegene ook vaak even op. Ook gebruik ik natuurlijk de radio van Last.FM. De ene keer gebruik ik gewoon de recommendation-radio en dan zie ik wel wat er voorbij komt en de andere keer open ik een artist-radio om meer specifieke muziek te krijgen.
Muziekplatforms
Welke muziekplatforms, zoals Last.FM, worden er gebruikt en wat is de reden daarvoor?
6. Welke muziekplatforms, zoals Last.FM, gebruik je?
Last.FM en YouTube.
33 | Bijlagen
