Temas acerca de Inteligencia Artificial
Foto de Usuario
jorgesalcedo

Ranking Troomes
Mensajes: 8
Registrado: 19 Abr 2020, 01:55

Continuación automática de músical

Mensaje por jorgesalcedo » 15 Ago 2020, 00:00

Descripción

La continuación automática de las listas de reproducción es un problema importante en la recomendación de música. Una parte significativa del consumo de música ahora se realiza en línea a través de listas de reproducción y estaciones de radio en línea similares a listas de reproducción. La compilación manual de listas de reproducción para los consumidores es una tarea que requiere de mucho tiempo y que es difícil de realizar a escala, dada la diversidad de gustos y la gran cantidad de contenido musical disponible. En consecuencia, la continuación automatizada de la lista de reproducción ha recibido mucha atención recientemente

Para poder llevar a cabo esta tarea se requiere el desarrollo de modelos que puedan extraer caracteristicas tanto de las canciones como de los usuarios. Es en esta linea que se presentan dos trabajos enfocados principalemente en estos dos temas: el primero versa acerca de como extraer informacion de la historia de escucha de los usuarios a fin de determinar canciones similares que remomendarle mientras que el segundo se basa en la extraccion de informacion de las canciones en sí mismas.

Podemos ver como el primer modelo usa la siguiente estructura:
Imagen

A través de este ensamble de metodos se consiguió ganar el concurso RecSys Challenge’18, 2018, Vancouver, Canada, con los siguientes indicadores

R-Precision
R-Precision es el número de pistas relevantes recuperados dividido por el número de pistas relevantes conocidas (es decir, el número de pistas retenidas):
R-Precision = | G ∩ R1: | G | | | G |.
La métrica se promediará en todas las listas de reproducción del conjunto de desafíos. Esta métrica premia el número total de pistas relevantes recuperadas (independientemente del orden).
Ganancia acumulativa con descuento normalizada (NDCG)
La ganancia acumulada con descuento (DCG) mide la calidad de clasificación de las pistas recomendadas, aumentando cuando las pistas relevantes se colocan más arriba en la lista. El DCG normalizado (NDCG) se determina calculando el DCG y dividiéndolo por el DCG ideal en el cual las pistas recomendadas están perfectamente clasificadas:
DCG = REL1 + ∑ i = 2 | R | relilog2(i + 1).
El DCG o IDCG ideal es, en nuestro caso, igual a:
IDCG = 1 + ∑ i = 2 | G | 1log2(i + 1).
Si el tamaño de la intersección del conjunto de G y R , está vacío, después el DCG es igual a 0. La métrica NDCG se calcula ahora como:
NDCG = DCGIDCG.
Canciones recomendadas hace clic
Canciones recomendadas es una característica de Spotify que, dado un conjunto de pistas en una lista de reproducción, recomienda 10 pistas para agregar a la lista de reproducción. La lista se puede actualizar para producir 10 pistas más. Los clics de las canciones recomendadas son el número de actualizaciones necesarias antes de que se encuentre una pista relevante. Se calcula de la siguiente manera:
clics =⌊argmini{ri: Ri∈G |} − 110⌋
Si la métrica no existe (es decir, si no hay ninguna pista relevante en rr ), se recoge un valor de 51 (que es 1 + el número máximo de clics posible).

Imagen

Aqui vemos como resulta claramente vencedor.

Mientras, por el lado del segundo paper se puede observar como a partir de los datos obtenidos de la informacion sonora se puede obtener una clasificacion de las canciones de los artistas

Imagen

Se observa una precision de 0.937 cuando se toman pedazos de cancion de 3s. Esto se obtiene a través de un ensamble de redes neuronales recurrentes convolucionales
Imagen

Conclusiones
Podemos ver como cada dia se dan grandes avances en el campo de los sistemas de recomendacion y la inteligencia artificial en general. Sin embargo, cada nuevo avance trae consigo nuevas oportunidades de mejora. En el primer modelo podemos ver como es dificil predecir el comportamiento de nuevas canciones que aun no han sido escuchadas por los usuarios, mienstas que en el segundo se puede ver como la precision baja para pedazos de cancion de mas de 3 segundos



Referencias
  • Nasrullah, Z., & Zhao, Y. (2019). Music Artist Classification with Convolutional Recurrent Neural Networks. In 2019 International Joint Conference on Neural Networks (IJCNN) (pp. 1–8).
  • Volkovs, M., Rai, H., Cheng, Z., Wu, G., Lu, Y., & Sanner, S. (2018). Two-stage Model for Automatic Playlist Continuation at Scale. In Proceedings of the ACM Recommender Systems Challenge 2018 on (p. 9).


Responder