Müzik Öneri Sistemi: “Sound Tree”

Slides:



Advertisements
Benzer bir sunumlar
FORM 3 USE OF THE PRESENT CONTINUOUS TENSE • a)Bu tense ile temel olarak içinde bulunduğumuz anda yapmakta olduğumuz eylemleri anlatırız. Zamanı.
Advertisements

Everyday objects ● Possession
TUVDBS VİDEO VERİTABANI YÖNETİM SİSTEMİ
Gerekli olduğunda insanlara ulaşın Yer Uzantıları Reach prospective customers at important moment with location extensions. Location Extentions.
Alakalı müşterileri hedefleyin. Google ile Yeniden Pazarlama Remarketing with Google. Target customers who are already showing interest in your business.
KIR ÇİÇEKLERİM’ E RakamlarImIz Akhisar Koleji 1/A.
HAZIRLAYAN:SAVAŞ TURAN AKKOYUNLU İLKÖĞRETİM OKULU 2/D SINIFI
Parkinson Hastalığı’ nda DiffeoMap Yazılımı Kullanılarak Lobus Frontaliste Bulunan Yapıların Hacim Hesaplanması Özgür PALANCI1 Hakan OCAK2 Ali Faruk ÖZYAŞAR2.
Bilişim Enstitüsü ++ Bilişim Enstitüsü ++ Bilişim Enstitüsü ++ Bilişim Enstitüsü ++ Bilişim Enstitüsü ++ Bilişim Enstitüsü ++ Bilişim Enstitüsü C ++ Nesne.
If you delete this after reading... you'll spend a year of ill luck! But... if you send it to (at least) 2 friends... you'll have 3 years of good luck!!!
M.Fatih AMASYALI Uzman Sistemler Ders Notları
Hareket halindeki insanlara ulaşın.Mobil Arama Ağı Reklamları Reach customers with Mobile Search Network.
Unity Desktop Aslı Ergün.
Diferansiyel Denklemler
NOUN CLAUSES (İSİM CÜMLECİKLERİ).
BİLİMSEL ARAŞTIRMA YÖNTEMLERİ
V İ DEO-KL İ P HAZIRLAMA. NASIL HAZIRLAYACA Ğ IZ ?
Kampanyanızı optimize edin. Görüntülü Reklam Kampanyası Optimize Edici'yi Kullanma Display Ads Campaign Optimizer. Let Google technology manage your diplay.
Birthday party. birthday party new year's party new year's party New Year's Party.
Öneri Sistemleri M.Fatih AMASYALI Uzman Sistemler Ders Notları.
COSTUMES KILIKLAR (KOSTÜMLER)
Gizli / İsimsiz Raporlama Tanıtımı
SERVING WATER TO A THIRSTY PERSON Bu Proje AB Tarafından Finanse edilmektedir. This Project is funded by European Union. Responsibility for the information.
BM-305 Mikrodenetleyiciler Güz 2015 (6. Sunu) (Yrd. Doç. Dr. Deniz Dal)
AVL Trees / Slide 1 Silme * Anahtar hedefi silmek için, x yaprağında buluruz ve sonra sileriz. * Dikkat edilmesi gereken iki durum vardır. (1) Hedef bazi.
S ÜLEYMAN Ş AH ÜN İ VERS İ TES İ DERS KAYIT İŞ LEMLER İ / COURSE REGISTRATION PROCESS.
21/02/2016 A Place In My Heart Nana Mouskouri « Istanbul « (A Different Adaptation)
Yapay Zeka Desteği ile Parfüm Öneri Sistemi
Nasa programs for students.
Practice your writing skills
MIDDLE SCHOOL I-SEARCH Research Paper... Product.... Presentation...
CHILD PORNOGRAPHY IŞIK ÜNİVERSİTESİ
Self-Registration on the Coats Supplier Portal
İSTATİSTİK II Hipotez Testleri 3.
İSTATİSTİK II Hipotez Testleri 3.
Karar Ağaçları (Decision trees)
Dr. Adil AKINCI Bankacılık ve Finans Bölümü
CHAPTER 1 uzm. Psk. Özlem ataoğlu
EKON 321 ULUSLARARASI İKTİSAT I
Future: I will/shall & I am going to. Structure: Subject+will/shall+verb(base form)+object.
taşınabilir Akilli Tahta Kullanım kılavuzu
Döngüler ve Shift Register
EGE ÜNİVERSİTESİ DİŞ FAKÜLTESİ KONU BAŞLIĞI.
NİŞANTAŞI ÜNİVERSİTESİ
EGE ÜNİVERSİTESİ ZİRAAT FAKÜLTESİ KONU BAŞLIĞI.
İKTİSADİ VE İDARİ BİLİMLER
NİŞANTAŞI ÜNİVERSİTESİ
NİŞANTAŞI ÜNİVERSİTESİ
“Differentiation for making a positive Difference!!!!”
İSTATİSTİK II Hipotez Testleri 3.
EGE ÜNİVERSİTESİ ECZACILIK FAKÜLTESİ KONU BAŞLIĞI.
İSTATİSTİK II Hipotez Testleri 3.
NİŞANTAŞI ÜNİVERSİTESİ
NİŞANTAŞI ÜNİVERSİTESİ
Temel PowerPoint Eğitimi
EGE ÜNİVERSİTESİ HEMŞİRELİK FAKÜLTESİ KONU BAŞLIĞI.
DREAMHOUSE TY TLG DREAM HOUSE TY TLG DREAM……… YOU CAN TOUCH, IF YOU DREAM………
YABANCI DİLLER YÜKSEKOKULU
Imagine that you are a teacher and you are taking your 20 students to England for the summer school.
EGE ÜNİVERSİTESİ EĞİTİM FAKÜLTESİ KONU BAŞLIĞI.
EGE ÜNİVERSİTESİ SU ÜRÜNLERİ FAKÜLTESİ KONU BAŞLIĞI.
EGE ÜNİVERSİTESİ TIP FAKÜLTESİ KONU BAŞLIĞI.
EGE ÜNİVERSİTESİ EDEBİYAT FAKÜLTESİ KONU BAŞLIĞI.
SAĞLIK BİLİMLERİ FAKÜLTESİ
Karabük Üniversitesi Mühendislik Fakültesi Makine Mühendisliği Bölümü
EGE ÜNİVERSİTESİ FEN FAKÜLTESİ KONU BAŞLIĞI.
SUBJECT NAME Prepeared by Write the names of group members here
Examples: In the Figure, the three points and coordinates are given that is obtained with CAD program. If these three points are represented by the curve.
TWINSPACE Anthony RIOU Coşku AKER TR Teacher Multilateral Contact Seminar, İ zmir, April 2019.
12:10 06:20 NURİ ERBAK SECONDARY SCHOOL
Sunum transkripti:

Müzik Öneri Sistemi: “Sound Tree” Dcengo Unchained: Sıla KAYA, BSc.; Duygu KABAKCI, BSc.; Işınsu KATIRCIOĞLU, BSc. and Koray KOCAKAYA BSc. Asistan : Dilek Önal Danışmanlar: Prof. Dr. İsmail Hakkı Toroslu, Prof. Dr. Veysi İşler Sponsor Şirket: ARGEDOR Giriş Öneri Yöntemi Bulgular Sound Tree öneri algoritması iki önemli metrik içerir; frekans ve rating değeri. Frekans: Bu metrik y kullanıcısının x şarkısını belirli bir zaman aralığı içinde ne sıklıkta dinlediğini gösterir. Frekans = # 𝑜𝑓 𝑡𝑜𝑡𝑎𝑙 𝑖𝑛𝑠𝑡𝑎𝑛𝑐𝑒𝑠 𝑢 𝑙𝑖𝑠𝑡𝑒𝑛𝑠 𝑡𝑜 𝑥 𝑐𝑢𝑟𝑟𝑒𝑛𝑡 𝑡𝑖𝑚𝑒 −𝑖𝑛𝑖𝑡𝑎𝑙 𝑡𝑖𝑚𝑒 𝑢 𝑙𝑖𝑠𝑡𝑒𝑛𝑠 𝑡𝑜 𝑥 Rating value: Bu metric sponsor şirket ARGEDOR tarafından veri setinin içinde sağlanmaktadır. Bu metrik, şarkının kullanıcı tarafından indirildiğini/internet üzerinden canlı olarak yayınlandığını veya kısa/uzun süreli olarak dinlendiğini belirtir. (0<rating değeri<1) Öneri sistemleri, kullanıcılara çeşitli öğeler hakkında öneriler sunmak amacıyla geliştirilmiş yazılım araçları ve bilgi keşif teknikleridir. Sound Tree, harici bir müzik dinleme uygulamasına entegre edilen ve web servis olarak kullanılan bir müzik öneri sistemidir. Bu sistem, kullanıcıların önceden dinlenmiş veya indirilmiş şarkıları üzerinden geçmiş bilgilerine ulaşarak kullanıcılar arası korelasyon bilgisini kullanır. Sound Tree şarkı önerilerini birbirine bağlı şarkı, kullanıcı, albüm ve sanatçı nodlarından oluşan geniş graf veritabanını kullanarak üretir. Sound Tree sisteminin değerlendirmesi 20 günlük, 30 günlük ve 2 aylık kullanıcı kayıtlarından oluşan veritabanları ile tamamlandı. Genel sonuç hesaplanırken, hem test hem eğitim veri setlerinde bulunan kullanıcıların bireysel sonuçlarının ortalamaları alındı. Amaçlar Kullanıcıların beğenisine uygun şarkı önermek Kullanıcıların zevkleri ve tercihleri hakkında bilgi edinmek Kullanıcıların kendi tercihlerinin farkına varmalarını sağlamak Sistemin entegre edildiği müzik dinleme uygulamasının kullanımını artırmak “Cold Start” Problemi: Sistemin dinleme alışkanlıkları hakkında az bilgi sahibi olduğu kullanıcılara şarkı önermek Şekil 2: Öneri yöntemi Ortak tercihlere dayalı filtreleme (Ana paradigma): Sound Tree esas kullanıcıya ortak dinlenmiş şarkılar üzerinden beş yakın kullanıcı bulur. Weka K-NN (En yakın k komşu): Bu algoritma Şekil 2’de gösterilen şarkılar arasında benzerlik kurar. Şarkıların benzer olarak sınıflandırılabilmeleri için yakın frekans ve rating değerlerine sahip olmaları gerekir. Set 2 içinden, Set 1’deki şarkılara yakın bulunan şarkılar final önerileri içine alınır. İçeriğe dayalı filtreleme (Yardımcı paradigma): Ortak tercihlere dayalı filtrelere ve K-NN basamaklarından sonra Set 1’deki şarkılar ile aynı albüm, sanatçı veya türe sahip şarkılar öncelikli olarak önerilirler. Cold Start: Başka hiçbir kullanıcı ile eşleşemeyen yeni kullanıcılara içeriğe dayalı filtreleme kullanarak şarkı önerilir. Sonuç Ortak tercihlere dayalı filtreleme, fazla sayıda kullanıcı ve kullanıcı kaydına sahip öneri sistemleri için en iyi yöntemdir. Graf veritabanı, 6 milyona yakın kullanıcı kaydına sahip bu sistemde, şarkı ve kullanıcı nodlarını seçme işlemini hızlandırır. Veri setinin büyüklüğü arttıkça Sound Tree daha doğru öneriler yapar. Cold Start: Sound Tree, kullanıcı hakkında önem teşkil eden bilgiye sahip olmadığı durumlarda bile makul şarkı önerileri yapmaktadır. Veri Tasarımı ve Sınıflandırma Sponsor şirket ARGEDOR tarafından sağlanan veri setinde şarkı, albüm ve sanatçı eşleştirmeleri ile kullanıcı kayıtları bulunmaktadır. Kullanıcı kayıtları, kullanıcı ID’sini, şarkı ID’sini ve şarkının dinlenme zamanını içermektedir. Veri seti Neo4j graf veritabanı içine yerleştirilmiştir (Figure 1). Neo4j bilinen bir kullanıcı üzerinden, ortak dinlenmiş şarkılardan yola çıkarak, yeni beğenilere sahip farklı kullanıcılara ulaşmamızı sağlar. Deneysel Değerlendirmeler Teşekkür Sound Tree’yi farklı büyüklükteki veri setleri ile test etmek için 20 günlük, 30 günlük ve 2 aylık kullanıcı kayıtları kullanılmıştır. Yeşil: 20 gün Mavi: 30 gün Kırmızı: 2 ay Değerlendirme Metriği: Doğruluk, her kullanıcı için, o kişiye, eğitim veri seti kullanırak önerilmiş şarkılar üzerinden hesaplanır. Doğruluk: başarılı şarkı öneri sayısı toplam şarkı öneri sayısı Formülün payda kısmı her zaman 5’tir. Çünkü Sound Tree her kullanıcı için 5 şarkı önerir. Öneri ve yardımlarından ötürü danışmanlarımız Prof. Dr. İsmail Hakkı Toroslu’ya, Prof. Dr. Veysi İşler’e, asistanımız Dilek Önal’a ve sponsor şirket ARGEDOR’a teşekkür ederiz. Kullanıcı sayısı Şarkı sayısı Kişi başına düşen ortalama şarkı sayısı Eğitim Veri Seti (Bütün verinin %80i) 158542 176650 251378 1240034 22.83 30.68 55.41 Test Veri Seti (Bütün verinin %20si) 71242 82173 112967 14.12 18.78 26.56 Referanslar [1] Herlocker, J., Konstan, J. A., & Riedl, J. (2002). An Empirical Analysis of Design Choices in Neighborhood-Based Collaborative Filtering Algorithms. Information Retrieval, 5(4), 287-310. doi:10.1023/A:1020443909834 [2] Sarwar, B. M., Karypis, G., Konstan, J., & Riedl, J. (2002). Recommender Systems for Large-scale E-Commerce: Scalable Neighborhood Formation Using Clustering. Paper presented at the 5th International Conference on Computer and Information Technology (ICCIT), 27-28 December 2002. Retrieved from http://grouplens.org/papers/pdf/sarwar_cluster.pdf Şekil 1: Neo4j graf veritabanı Pek çok benzer kullanıcıya ulaşmamız onları sınıflandırmayı gerektirir. Bu sayede içlerinden daha benzer özellikler gösteren kulanıcıları ve onların şarkılarını seçebilirz. Weka kütüphanesi bu amaçla K_NN (en yakın k komşu) implementasyonunu sağlamaktadır.