• 한국컴퓨터정보학회논문지
• /
• 제29권5호
• /
• pp.177-187
• /
• 2024

요약 배경: 기존 음악 추천 시스템은 가사의 의도된 감정과 사용자가 실제로 느끼는 감정 사이의 불일치를 충분히 고려하지 않았다. 모델: 본 연구에서는 LDA 모델을 활용하여 가사와 사용자 댓글의 주제 벡터를 생성하고, 시간 감쇠 효과와 재생 횟수를 반영한 사용자 행동 궤적과 통계 특성을 결합하여 사용자 선호도 모델을 구축했다. 결과: 실증 분석 결과, 제안 모델이 가사만 활용한 기존 모델보다 높은 정확도로 음악을 추천했다. 시사점: 본 연구는 감정 인식과 사용자 행동 분석을 통합하여 개인화된 음악 추천 시스템을 개선하는 새로운 방법론을 제시한다.

• 전기학회논문지
• /
• 제58권7호
• /
• pp.1435-1442
• /
• 2009

This paper proposes a music recommendation system for a driver in vehicle. The proposed system provides (selects and plays) a music to a driver in vehicle in real-time manner by inferring his preference based on physical, environmental, and personal information. Pulse data as physical information, age and biorhythm as personal information, and time as environmental information are used to infer a driver's and thus recommend a music. Experimental results showed that the proposed system could provide better satisfaction to a driver on the recommended music compared to the conventional approach.

• 한국정보과학회논문지:시스템및이론
• /
• 제33권9호
• /
• pp.650-657
• /
• 2006

음악은 삶의 일부이며 상황에 따라 많은 영향을 받는다. 그러나 음악 추천 시스템에 관한 기존 연구들에서는 사용자로부터 획득한 몇 가지 메타데이타(장르, 아티스트 등)만을 내용기반 필터링으로 분석하여 이용함으로써 적절한 상황을 고려하지 못하는 문제점이 있었다. 최근 들어 환경의 몇 가지 상태(온도, 습도 등)변화를 적용한 추천 연구가 이루어지고 있지만 상황으로서 이해하기는 부족한 실정이다. 그러므로 우리는 기존연구에서의 메타데이타는 물론 상황정보를 동적으로 반영하여 사용자가 더욱 만족할 수 있는 음악을 추천하는 것을 제안한다. 또한 사용자에 의한 피드백이 가능함으로써 서비스를 더 향상시킬 수 있다. 이를 해결하기 위해 본 논문에서는 음악 선곡에 필요한 상황정보를 정의하고 내용기반 필터링 기법을 사용하여 사용자의 취향과 상황에 적합한 음악 추천 시스템을 설계한다. 본 추천 시스템에서는 홈 네트워크 환경에서 상황정보를 인식하기 위해 OSGi 프레임워크를 사용하였으며 서비스 이동성 및 분산처리를 지원하여 음악 선곡에 대한 사용자의 만족도와 서비스의 질을 향상 시켰다.

• 한국컴퓨터정보학회논문지
• /
• 제17권11호
• /
• pp.133-140
• /
• 2012

본 논문에서는 소셜 음악 사이트에서 사용자들이 생성한 태그를 바탕으로 음악을 추천하는 기법을 제안한다. 협력적 태깅 시스템은 사용자가 직접 선정한 단어를 콘텐츠에 부여할 수 있도록 하므로, 사용자의 선호도를 구체적으로 파악할 수 있는 정보를 제공한다. 특히, 감정을 표현하는 감정 태그들은 음악 장르나 음악가와 같이 사실을 나타내는 사실 태그들과는 다르게 선호도를 훨씬 직접 표현하고 있다. 따라서 태그의 의미를 파악하여 감정 태그와 사실 태그로 분류하고, 감정 태그는 감정표현의 정도에 따라 가중치를 부여하기 위해서 UniTag라고 하는 태그 온톨로지를 개발하였다. UniTag 온톨로지를 이용하여 정제된 태그 집합은 사용자 프로파일 생성에 사용되며, 태그 기반 사용자 프로파일을 바탕으로 음악 추천 알고리즘을 수행하였다. 제안하는 추천 방법의 효율성을 평가하기 위해서, 전통적인 청취 횟수 기반 추천, 감정 태그 가중치를 고려하지 않은 추천, 그리고 감정 태그 가중치를 고려한 추천의 세 가지 추천 방법의 정확도와 재현율을 비교하였다. 실험 결과는, 감정 태그 가중치를 고려한 추천 방식이 정확도의 측면에서 다른 두 가지 방식보다 효율적이라는 것을 보여준다.

• 한국전자거래학회지
• /
• 제22권3호
• /
• pp.75-85
• /
• 2017

전자 상거래 산업에서 많이 사용되고 있는 개인화 추천은 많은 분야에서 효과를 입증하고 있다. 개인화 추천을 위해서는 개인 정보를 포함하여 아이템을 재 분류해야하는 추가 작업이 필요하다. 본 연구에서는 개인 정보를 사용하지 않고 아이템을 재분류 하지 않는 추천 기법에 대해 제안한다. 음악 추천 영역으로 제한하여 실험하였으며, 실제 청취 이력 데이터를 사용하였다. 실험 분석을 통해 적은 데이터로도 유의미한 추천을 이끌어 낼 가능성을 살피고, 상황별 추천을 위한 아이템 수 분석과 추가 기법을 제안한다.

• 지능정보연구
• /
• 제12권3호
• /
• pp.111-126
• /
• 2006

상황 인식은 유비쿼터스 컴퓨팅 환경에서 중요한 핵심 기술 중 하나이다. 본 연구에서는 상황 인식 기술을 사례기반 음악추천시스템에 접목시켰다. 본 연구에서 제안하는 시스템은 음악청취의향 인식모듈과 음악추천 모듈로 구성된다. 음악청취의향 인식모듈은 사용자가 음악을 듣고 싶어 하는지 아닌지를 외부상황정보를 이용하여 추론한다. 사용자가 음악을 청취할 의향이 있다고 판단되면, 음악추천 모듈은 사용자와 유사한 성향을 보이는 다른 사용자들이 유사한 상황에서 주로 들었던 노래들을 사용자에게 추천한다. 제안 시스템과 전통적인 방식의 사례기반 음악추천시스템의 성능을 비교한 결과, 제안 시스템이 추천의 정확도에서 약 9% 포인트 높게 나타났다.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제15권3호
• /
• pp.159-165
• /
• 2015

The need for the recognition of music emotion has become apparent in many music information retrieval applications. In addition to the large pool of techniques that have already been developed in machine learning and data mining, various emerging applications have led to a wealth of newly proposed techniques. In the music information retrieval community, many studies and applications have concentrated on tag-based music recommendation. The limitation of music emotion tags is the ambiguity caused by a single music tag covering too many subcategories. To overcome this, multiple tags can be used simultaneously to specify music clips more precisely. In this paper, we propose a novel technique to rank the proper tag combinations based on the acoustic similarity of music clips.

• 한국항행학회논문지
• /
• 제14권1호
• /
• pp.108-118
• /
• 2010

본 논문에서는 사용자의 음악적 선호를 모델링하고, 사용자가 원하는 감정과 선호를 추론할 수 있게 도와주는 컨텍스트 기반 음악 추천 온톨로지 (COMUS)를 제안한다. COMUS는 제목, 연주자, 장르와 같은 음악의 일반적인 속성과 무드와 상황과 같이 도메인에 특화된 확장을 제공하는 확장성을 계층적인 방식으로 제공한다. COMUS는 음악 추천을 위한 도메인에 특화된 클래스들이 음악 온톨로지와 연동되도록 OWL 언어를 사용하여 개발된 음악 온톨로지이다. COMUS에 표현된 컨텍스트 정보를 사용하면, 컨텍스트 정보의 일관성을 체크할 수 있고, 규칙 기반의 추론을 통해 명시적인 정보 뿐만 아니라, 내재된 컨텍스트를 도출하는 상위 레벨의 추론이 가능하다고. 여기서 제안하는 온톨로지는 음악과 감정과 상황 사이의 복잡하고 자세한 관계를 표현할 수 있어서, 사용자가 음악 추론 어플리케이션을 위해 적절한 음악을 찾을 수 있게 해준다. 이와 관련된 음악 추천을 위한 사례 연구로써 수행한 몇 가지 실험을 보인다.

• 정보과학회 컴퓨팅의 실제 논문지
• /
• 제22권10호
• /
• pp.479-487
• /
• 2016

음악 스트리밍 서비스의 대중화로 음악의 소유 없이 언제든 원하는 듣고 싶은 노래를 들을 수 있게 되었다. 넓어진 선택권은 역설적으로 노래를 선택하기 어렵게 만들었다. 이러한 선택의 어려움을 극복하기 위해 음악 추천에 대한 관심이 높아졌고 판도라와 Last.fm과 같은 상용 서비스뿐 아니라 음악 정보 검색 분야의 연구자들도 다양한 추천 시스템을 제안하였다. 내용 기반 필터링과 협업 필터링 방식이 주류인 기존의 추천 시스템은 음악 감상의 주요 요인인 맥락을 고려하지 않았다는 한계점을 지니고 있다. 본 논문에서는 음악을 선택하는 맥락 중 주요한 요인인 감정을 이용한 노래간 유사도 측정 방법을 제안하여 새로운 추천 시스템에 대한 가능성을 탐색한다. 노래의 감정 추출에 가사를 이용하였고 가사에서 노래의 구조도 추출해 노래의 의미적 분석을 시도하였다. 실험을 통해 제안한 모델이 기존의 추천 시스템에 비해 작은 계산 복잡성으로 기존 모델과 유사한 성능을 보일 수 있음을 보였다.

• 지능정보연구
• /
• 제29권3호
• /
• pp.145-165
• /
• 2023

추천 시스템은 인터넷의 발달로 급격하게 증가하는 정보의 양으로 인해 생긴 정보 선택의 어려움을 소비자에게 덜어주고 각 개인의 취향에 맞는 정보를 효율적으로 보여주는 중요한 역할을 한다. 특히, E-commerce와 OTT 기업은 상품과 콘텐츠 양이 급격하게 증가하면서 추천 시스템의 도움 없이는 인기 있는 상품만 소비되는 현상을 극복하지 못한다. 이러한 현상을 극복하고 고객 개인 취향에 맞는 정보 혹은 콘텐츠를 제공해 고객의 소비를 유도하기 위해 추천 시스템의 연구가 활발히 진행되고 있다. 일반적으로 유저(user)의 과거 행동 이력을 활용한 협업 필터링이 유저가 선호한 콘텐츠의 정보를 활용하는 콘텐츠 기반 필터링에 비해 높은 성능을 보여준다. 하지만 협업 필터링은 과거 행동 데이터가 부족한 유저에 대해서는 추천의 성능이 낮아지는 콜드 스타트(Cold Start) 문제를 겪게 된다. 본 논문에서는 카카오 아레나 경진대회에서 주어진 음악 스트리밍 서비스 멜론의 플레이리스트 데이터를 기반으로 앞에서 언급한 콜드 스타트 문제를 해결할 수 있는 하이브리드 음악 추천 시스템을 제시했다. 본 연구에서는 플레이리스트에 수록된 곡 목록과 각 음악과 플레이리스트의 메타데이터를 활용해 절반 혹은 전부 가려진 플레이리스트의 다른 수록 곡을 예측하는 것을 목표로 하였다. 이를 위해 플레이리스트 안에 곡이 있는 경우와 아예 곡이 없는 경우를 나눠서 추천을 진행하였다. 플레이리스트 안에 곡이 있는 경우에는 해당 플레이리스트의 곡 목록과 각 곡의 메타데이터를 활용하기 위해 LightFM을 활용하였다. 그 다음에 Item2Vec을 활용해 플레이리스트에 있는 수록 곡과 태그 및 제목의 임베딩 벡터를 생성하고 이를 추천에 활용하였다. 최종적으로 LightFM과 Item2Vec 모델의 앙상블을 통해 최종 추천 결과를 생성하였다. 플레이리스트 안에 곡이 없고 태그 혹은 제목만이 존재할 경우에는 플레이리스트의 메타데이터인 태그와 제목을 FastText를 활용해 사전 학습을 시켜 생성된 플레이리스트 벡터를 기반으로 플레이리스트 간의 유사도를 활용하여 추천을 진행하였다. 이렇게 추천한 결과, 기존 Matrix Factorization(MF)에서 해결하지 못한 콜드 스타트 문제를 해결할 수 있었을 뿐만 아니라 곡과 플레이리스트의 메타데이터를 활용해 기존 MF 모델인 ALS와 BPR 그리고 Word2Vec 기반으로 추천해 주는 Item2Vec 기술보다 높은 추천 성능을 낼 수 있었다. 또한, LightFM을 토대로 다양한 곡의 메타데이터를 실험한 결과, 여러 메타데이터 중에서 아티스트 정보를 단독으로 활용한 LightFM 모델이 다른 메타데이터를 활용한 LightFM 모델들과 비교해 가장 높은 성능을 보여준다는 것을 확인할 수 있었다.