[논문]음악과 플레이리스트의 메타데이터를 활용한 하이브리드 음악 추천 시스템에 관한 연구

이현태; 임규건

doi:10.13088/jiis.2023.29.3.145

음악과 플레이리스트의 메타데이터를 활용한 하이브리드 음악 추천 시스템에 관한 연구
Research on hybrid music recommendation system using metadata of music tracks and playlists 원문보기

지능정보연구 = Journal of intelligence and information systems, v.29 no.3, 2023년, pp.145 - 165

이현태 (한양대학교 비즈니스 인포매틱스학과) , 임규건 (한양대학교 경영대학)

초록
AI-Helper

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.

Abstract ▼ AI-Helper

Recommendation system plays a significant role on relieving difficulties of selecting information among rapidly increasing amount of information caused by the development of the Internet and on efficiently displaying information that fits individual personal interest. In particular, without the help of recommendation system, E-commerce and OTT companies cannot overcome the long-tail phenomenon, a phenomenon in which only popular products are consumed, as the number of products and contents are rapidly increasing. Therefore, the research on recommendation systems is being actively conducted to overcome the phenomenon and to provide information or contents that are aligned with users' individual interests, in order to induce customers to consume various products or contents. Usually, collaborative filtering which utilizes users' historical behavioral data shows better performance than contents-based filtering which utilizes users' preferred contents. However, collaborative filtering can suffer from cold-start problem which occurs when there is lack of users' historical behavioral data. In this paper, hybrid music recommendation system, which can solve cold-start problem, is proposed based on the playlist data of Melon music streaming service that is given by Kakao Arena for music playlist continuation competition. The goal of this research is to use music tracks, that are included in the playlists, and metadata of music tracks and playlists in order to predict other music tracks when the half or whole of the tracks are masked. Therefore, two different recommendation procedures were conducted depending on the two different situations. When music tracks are included in the playlist, LightFM is used in order to utilize the music track list of the playlists and metadata of each music tracks. Then, the result of Item2Vec model, which uses vector embeddings of music tracks, tags and titles for recommendation, is combined with the result of LightFM model to create final recommendation list. When there are no music tracks available in the playlists but only playlists' tags and titles are available, recommendation was made by finding similar playlists based on playlists vectors which was made by the aggregation of FastText pre-trained embedding vectors of tags and titles of each playlists. As a result, not only cold-start problem can be resolved, but also achieved better performance than ALS, BPR and Item2Vec by using the metadata of both music tracks and playlists. In addition, it was found that the LightFM model, which uses only artist information as an item feature, shows the best performance compared to other LightFM models which use other item features of music tracks.

주제어

표/그림 (22)

그림 <그림 1> 본 연구의 하이브리드 추천 시스템 Flow Chart
표 <표 1> 플레이리스트 train 데이터 구성표
표 <표 2> 학습 및 평가를 위해 분리된 데이터 셋의 구성표
그림 <그림 2> 유저-아이템 상호작용 행렬(Matrix)
표 <표 3> ALS, BPR 학습을 위한 설정 파라미터
표 <표 4> LightFM 모델에 활용할 상호작용과 특성 행렬의 크기 및 원소 개수
표 <표 5> LightFM 학습을 위해 설정된 하이퍼파라미터
그림 <그림 3> Item2Vec 학습을 위한 데이터 전처리 및 추천 과정
표 <표 6> Item2Vec 사전 학습을 위한 설정 하이퍼파라미터
그림 <그림 4> 플레이리스트 태그의 품사(POS) 빈도수
그림 <그림 5> 토큰화된 플레이리스트 제목의 품사(POS) 빈도수
표 <표 7> FastText 사전 학습을 위한 설정 하이퍼파라미터
표 <표 8> 기존 베이스라인과 활용 메타데이터에 따른 LightFM 모델의 성능표
표 <표 9> 플레이리스트 태그 및 제목 기반 전체 추천 성능
표 <표 10> 플레이리스트 안에 수록 곡이 없을 때 활용되는 방법에 따른 추천 성능
표 <표 11> 수록 곡이 없고 태그 및 제목의 길이가 하나일 때 활용되는 방법에 따른 추천 성능 비교
표 <표 12> 수록 곡이 없는 콜드 스타트 상황에서 인기도 기반과 FastText 기반으로 추천하는 하이브리드 추천 모델 성능 비교
그림 <그림 6> 수록 곡 개수가 적은 플레이리스트
표 <표 13> LightFM(아티스트) 하이퍼파라미터 조정에 따른 성능 결과
표 <표 14> 수록 곡 ID와 플레이리스트의 태그 및 제목을 활용한 Item2Vec 성능 결과
표 <표 15> 수록 곡이 적은 콜드 스타트 상황에서의 성능 결과
표 <표 16> 최종 모델 전체 성능 결과

참고문헌 (20)

김동환. (2023). 언어모델을 활용한 콘텐츠 메타데이터 기반 유사 콘텐츠 추천 모델. 지능정보연구, 29(1), 27-40.
장동수, 이청용, 김재경. (2023). 딥러닝 기반 온라인 리뷰의 언어학적 특성을 활용한 추천 시스템 성능 향상에 관한 연구. 지능정보연구,？29(1), 41-63.
홍태호, 홍준우, 김은미, 김민수. (2022). 영화 리뷰의 상품 속성과 고객 속성을 통합한 지능형？추천시스템. 지능정보연구, 28(2), 1-18.
Barkan, O., & Koenigstein, N. (2016, September).？Item2vec: neural item embedding for collaborative？filtering. In 2016 IEEE 26th International？Workshop on Machine Learning for Signal Processing (MLSP) (pp. 1-6). IEEE.
Bojanowski, P., Grave, E., Joulin, A., & Mikolov,？T. (2017). Enriching word vectors with subword？information. Transactions of the association？for computational linguistics, 5, 135-146.
Burke, R. (2002). Hybrid recommender systems:？Survey and experiments. User modeling and？user-adapted interaction, 12(4), 331-370.
Ferraro, A., Kim, Y., Lee, S., Kim, B., Jo, N., Lim, S.,？Lim, S., Jang, J., Kim, S., Serra, X., &？Bogdanov, D. (2021). Melon Playlist Dataset:？A Public Dataset for Audio-Based Playlist？Generation and Music Tagging. ICASSP 2021 -？2021 IEEE International Conference on Acoustics,？Speech and Signal Processing (ICASSP),？536-540.
Frederickson, B. (2017). AlternatingLeastSquares.？Implicit. Retrieved December 6, 2022, from？https://benfred.github.io/implicit/api/models/cpu/als.html.
Guo, H., Tang, R., Ye, Y., Li, Z., He, X., (2017,？March). DeepFM: A Factorization-Machine？based Neural Netwrok for CTR Prediction.？arXiv preprint arXiv:1703.04247.
Hu, Y., Koren, Y., & Volinsky, C. (2008, December).？Collaborative filtering for implicit feedback？datasets. In 2008 Eighth IEEE international？conference on data mining (pp. 263-272). Ieee.
Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix？factorization techniques for recommender？systems. Computer, 42(8), 30-37.
Kula, M. (2015). Metadata embeddings for user？and item cold-start recommendations. arXiv？preprint arXiv:1507.08439.
Kula, M. (2016). The LightFM model class.？LightFM. Retrieved December 6, 2022, from？https://making.lyst.com/lightfm/docs/index.html
Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S.,？& Dean, J. (2013). Distributed representations？of words and phrases and their compositionality.？Advances in neural information processing？systems, 26.
Rehurek, R. (2022). FastText model. Gensim Topic？modelling for humans, Retrieved December 6,？2022, from https://radimrehurek.com/gensim/models/fasttext.html
Rendle, S., Freudenthaler, C., Gantner, Z., &？Schmidt-Thieme, L. (2009). BPR: Bayesian？personalized ranking from implicit feedback.？arXiv preprint arXiv:1205.2618.
Vasile, F., Smirnova, E., & Conneau, A. (2016,？September). Meta-prod2vec: Product embeddings？using side-information for recommendation.？In Proceedings of the 10th ACM conference？on recommender systems (pp. 225-232).
Vasile, F., Smirnova, E., & Conneau, A. (2016,？September). Meta-prod2vec: Product embeddings？using side-information for recommendation.？In Proceedings of the 10th ACM conference？on recommender systems (pp. 225-232).
Virtanen, P., Gommers, R., Oliphant, T.E. et al.？(2020). SciPy 1.0: fundamental algorithms for？scientific computing in Python. Nat Methods,？17, 261-272. https://doi.org/10.1038/s41592-019-0686-2

상세보기
Yang, H., Jeong, Y., Choi, M., & Lee, J. (2018).？Mmcf: Multimodal collaborative filtering for？automatic playlist continuation. In Proceedings？of the ACM Recommender Systems Challenge？2018 (pp. 1-6).

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증