• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2007.04a
• /
• pp.109-112
• /
• 2007

온라인 음악 시장이 점차 커지고 있다. 이에 따라 사용자를 위한 다양한 서비스가 요구되고 있다. 하지만 현재 적용되는 서비스는 통계적인 수치에 기반하는 순위권 나열 혹은 테마나 장르별 음악 소개에 그치고 있다. 따라서 본 논문에서는 사용자의 성향에 가까운 음악을 분석하고 이를 추천하는 방법을 제시한다. 음악 추천 시스템을 위해 우선 사용자의 성향을 분석하기 위하여 사용자가 청취했던 음악의 음파를 분석하여 특성을 추출하여 벡터로 나타낸다. 하지만 추출된 성향과 다른 음악의 성향을 비교해야 하는데 음악의 양이 방대하기 때문에 시간이 오래 걸릴 수 있다. 따라서 이 문제를 해결하기 위해 공간 분할을 통해 검색의 범위를 축소시키고, 음악을 빠르게 추천한다. 실험 결과, 사람의 주관적인 해석이 아닌 음파의 해석을 통해 보다 객관적이고 자동화된 추천 방법을 구현할 수 있었다. 그리고 같은 성질의 음악이 추천되어짐을 확인할 수 있었다.

• Journal of Digital Convergence
• /
• v.11 no.3
• /
• pp.345-352
• /
• 2013

The demand and production for mobile music increases as the number of smart phone users increase. Thus, the standard of selection of a user's preferred music has gotten more diverse and complicated as the range of popular music has gotten wider. Research to find intelligent techniques to ingeniously recommend music on user preferences under mobile environment is actively being conducted. However, existing music recommendation systems do not consider and reflect users' preferences due to recommendations simply employing users' listening log. This paper suggests a personalized music-recommending system that well reflects users' preferences. Using AHP, it is possible to identify the musical preferences of every user. The user feedback based on the Bayesian network was applied to reflect continuous user's preference. The experiment was carried out among 12 participants (four groups with three persons for each group), resulting in a 87.5% satisfaction level.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2015.10a
• /
• pp.1163-1165
• /
• 2015

최근 들어, 사용자의 선호도를 고려한 음악추천 시스템의 연구가 활발히 진행되고 있다. 대부분의 음악 추천 시스템은 사용자가 들었던 곡을 분석하여 유사한 노래를 추천하는 시스템을 사용하여 비슷한 성향에서 벗어나지 못한 추천으로 다양한 사용자의 선호도를 만족시키는데 한계가 있었다. 본 논문에서는 개인 정보인 성별, 나이, 지역, 계절, 장르에 가중치를 활용하여 각각의 개인에 가장 알맞은 음악 추천 시스템을 설계하고 구현한다.

• Journal of Intelligence and Information Systems
• /
• v.12 no.3
• /
• pp.111-126
• /
• 2006

The context-awareness is one of the core technologies in ubiquitous computing environment. In this research, we incorporated the capability of context-awareness in a case-based music recommendation system. Our proposed system consists of Intention Module and Recommendation Module. The Intention Module infers whether a user wants to listen to the music or not from the environmental context information. Then, the Recommendation Module selects songs from the songs that are listened by similar users in similar context, and recommends them to the user. The results showed that our proposed system outperformed the traditional case-based music recommendation system in accuracy by about 9% point.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.12a
• /
• pp.435-438
• /
• 2002

본 논문은 웹 상에서 음악을 듣는 사용자의 음악 취향을 평가 한 후, 취향에 맞는 인터페이스를 추천하는 시스템을 구현하였다. 초기 음악 취향 평가 단계에서는 평가 요소인 장르, 가수, 최신곡에 대한 사용자 데이터와 평가 요소에 대한 실험을 통해 얻은 중요도를 이용하여 퍼지측도.적분을 수행한다. 수행 결과 값이 높은 음악의 평가 요소에 의해 인터페이스를 추천하고, 추천된 인터페이스에 대한 선택 곡 수와 들은 시간으로 퍼지 추론을 통해 인터페이스에 대한 만족도를 평가한다. 평가된 만족도에 의해 중요도를 변경시킴으로써 사용자의 취향에 맞는 인터페이스를 제공하는 시스템 을 제안한다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2015.05a
• /
• pp.533-536
• /
• 2015

Mobile music market is growing. However, services what are applied recently are inaccurate to recommend music that a user is worth to prefer. So, this paper suggests music recommend system. This system recommend music that users prefer analyzing music information and user's musical propensity and using collaborative filtering. This system classify genre and extract factors what can be get using STFT's ZCR, Spectral roll-off, Spectral flux. So similar musics are clustered by these factors. And then, after divide mood of music's lyric, it finally recommend music automatically using collaborative filtering.

• 한국경영정보학회:학술대회논문집
• /
• 2007.11a
• /
• pp.591-596
• /
• 2007

본 연구에서는 상황 추론의 기능을 추천 시스템에 접목하였다. 연구의 대상 영역은 음악 추천 분야인데, 본 연구에서 제안하는 시스템은 세 개의 모듈, 즉 Intention Module, Mood Module 그리고 Recommendation Module로 구성되어 있다. Intention Module은 사용자가 음악을 청취할 의향이 있는지 없는지를 외부 환경의 상황 데이터를 이용하여 추론한다. Mood Module은 사용자의 상황에 적합한 음악의 장르를 추론한다. 마지막으로 Recommendation Module은 사용자에게 선정된 장르의 음악을 추천한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2008.04a
• /
• pp.56-59
• /
• 2008

현재의 음악 서비스들의 대부분은 음악을 가수 이름이나 장르와 같은 키워드들로 구분하여 사용자에게 제공한다. 하지만 음악의 장르가 다양해지고, 장르별로 음악의 유형도 다양해짐에 따라 키워드 기반은 음악 제공 방법만으로는 사용자가 원하는 음악을 제공하는데 한계가 있다. 이런 한계점을 극복하기 위하여 음악 자체의 성질을 기반으로 음악을 분석하는 컨텐츠 기반의 음악 분석 방법이 필요하다. 또한 사용자가 원하는 음악을 제공 받을 수 있도록 사용자의 음악 선호도를 분석하여 그에 맞는 음악을 제공하는 방법도 필요하다. 본 논문에서는 음악의 시퀀스 정보와 특징을 추출하여 음악 모델을 구축하고, 이를 사용하여 사용자의 음악 선호도를 분석하는 방법을 제안하고, 사용자의 선호도에 맞는 음악을 제공하기 위하여 선호도 분석 방법을 통해 음악을 추천해주는 시스템을 제안한다.

• Proceedings of the Korea Contents Association Conference
• /
• 2016.05a
• /
• pp.31-32
• /
• 2016

최근 음악 서비스 분야에는 감성추천 서비스가 시행되고 있다. 추천 시스템에 따라 내용 기반 추천 방식과 협업 기반 추천 방식으로 크게 구분할 수 있으며 대부분의 음악 서비스 분야에서는 많은 사용자들로부터 얻은 기호정보에 따라 사용자들의 관심사들을 자동적으로 예측하는 방법인 협업 기반 추천 방식으로 서비스를 운영하고 있다. 이에 따라 협업 기반 추천 방식을 사용하는 대표 음원 사이트 멜론과 벅스에서 음악 추천 서비스의 추천된 음악이 실제 감성과 맞는지 기쁨과 슬픔으로 분류하여 Russell의 감성 모형을 기준으로 가사의 5차 분류를 통해 곡의 감성을 분석하여 카테고리의 추천음악과 가사의 상관관계를 비교 연구하였다. 그 결과, 각 카테고리의 감성추천 음악과 실제 음악의 감성이 일치하는 부분도 있지만, 그 외 다양한 감정들이 도출되었다.

• Journal of the Korea Society of Computer and Information
• /
• v.18 no.2
• /
• pp.107-116
• /
• 2013

In this paper, we propose a hybrid music recommendation system combining users' listening habits and tag information in a social music site. Most of commercial music recommendation systems recommend music items based on the number of plays and explicit ratings of a song. However, the approach has some difficulties in recommending new items with only a few ratings or recommending items to new users with little information. To resolve the problem, we use tag information which is generated by collaborative tagging. According to the meaning of tags, a weighted value is assigned as the score of a tag of an music item. By combining the score of tags and the number of plays, user profiles are created and collaborative filtering algorithm is executed. For performance evaluation, precision, recall, and F-measure are calculated using the listening habit-based recommendation, the tag score-based recommendation, and the hybrid recommendation, respectively. Our experiments show that the hybrid recommendation system outperforms the other two approaches.