Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
Nächste SlideShare
What to Upload to SlideShare
Weiter
Herunterladen, um offline zu lesen und im Vollbildmodus anzuzeigen.

9

Teilen

Herunterladen, um offline zu lesen

눈으로 듣는 음악 추천 시스템

Herunterladen, um offline zu lesen

최규민(pi.314) / kakao corp.(추천팀)
---
발표의 시작은? Music Streaming 서비스인 멜론과 카카오미니에 적용된
Toros 음악 추천 시스템의 다양한 추천 모델과 이를 활용한 추천 레시피에 대한 이야기를 합니다.

그리고 마무리는? 음악 추천을 위해 40~100차원 벡터로 모델링 된 (CB/CF) Latent Feature들을
다양한 조합으로 Visualization(t-SNE)하고 눈으로 탐색해 가면서 재미난 특징을 찾아보고자 합니다.
"CB와 CF Feature 노래를 어떻게 표현했을까?”,
"Popular노래와 Rare 한 노래의 Feature는?”
“Feedback이 많은 유저와 적은 유저 차이는?”
“팬덤이 있는 유저들은 어떤 모양일까?"

Ähnliche Bücher

Kostenlos mit einer 30-tägigen Testversion von Scribd

Alle anzeigen

Ähnliche Hörbücher

Kostenlos mit einer 30-tägigen Testversion von Scribd

Alle anzeigen

눈으로 듣는 음악 추천 시스템

  1. 1. ~
  2. 2. ~
  3. 3. ~
  4. 4. ~ Matrix Factorization Word2Vec Deep Learning on audio
  5. 5. ~
  6. 6. .. Dance the night 1 Power up Forever young Viva la viva  Thinking out Loud  Counting Stars Something Just Like This
  7. 7. .. Dance the night 1 Power up Forever young Viva la viva  Thinking out Loud  Counting Stars Something Just Like This
  8. 8. .. Dance the night 1 Power up Forever young Viva la viva  Thinking out Loud  Counting Stars Something Just Like This
  9. 9. Push 1.5 5.6 User 18 DJ 3 / Song Vector .
  10. 10. 1.5 5.6 User 18 DJ 3 / Song Vector .
  11. 11. 1.5 5.6 User 18 DJ 3 / Song Vector . Feedback CF(Collaboration Filter) Contents CBF(Contents Based Filtering)
  12. 12. ?
  13. 13. ? …
  14. 14. ? filtering . … / 7080 X- 2000’ 2010’ 2018’ Top100 Rare - …..
  15. 15. 40D Dense Vector - Matrix Completion via ALS - User/Item Latent Feature Feedback Log(8day) - 4.3M(User) X 2.1M(Song) - 388M None zero values (Song)
  16. 16. 40D Dense Vector - Matrix Completion via ALS - User/Item Latent Feature Feedback Log(8day) - 4.3M(User) X 2.1M(Song) - 388M None zero values (Song) (Song) Vector Vector .
  17. 17. ? , .
  18. 18. Low level Feature Genre Classification Network
  19. 19. Low level Feature Genre Classification Network(Song) Vector Vector .
  20. 20. - 2004 12 1553
  21. 21. - 2004 12 1553 Stream + W2V
  22. 22. - 2004 12 1553 2004 12 Stream + W2V
  23. 23. - 2004 12 1553 Stream + MF 1553
  24. 24. Sampling 5M -> 16K Song Meta Mapping , , Stream Song Segmentation Light, Medium, Heavy, Extreme Dimension Reduction 40D -> 2D
  25. 25. Sampling 5M -> 16K Song Meta Mapping , , Stream Song Segmentation Light, Medium, Heavy, Extreme Dimension Reduction 40D -> 2D 5M Songs Top 1,000 Songs 15,000 Songs Uniform Sampling 1,000 Songs + = 16,000 Songs
  26. 26. Sampling 5M -> 16K Song Meta Mapping , , Stream Song Segmentation Light, Medium, Heavy, Extreme Dimension Reduction 40D -> 2D t-SNE
  27. 27. Sampling 5M -> 16K Song Meta Mapping , , Popularity Song Segmentation Light, Medium, Heavy, Extreme Dimension Reduction 40D -> 2D
  28. 28. Sampling 5M -> 16K Song Meta Mapping , , Popularity Song Segmentation Light, Medium, Heavy, Extreme Dimension Reduction 40D -> 2D
  29. 29. • Heavy • Top1000 Top1000 . • Popularity . • .
  30. 30. OST R&B CCM J-POP POP Global
  31. 31. Popularity
  32. 32. Light, Medium Song
  33. 33. Top1000 Top1000
  34. 34. • • MF • Top1000 Top1000 .
  35. 35. • • • Top1000 Top1000 .
  36. 36. 1,037 .
  37. 37. 45.2% 60.1% 59.9%
  38. 38. Stream Stream Stream
  39. 39. Stream Stream Stream 1. Streaming 1 2. Streaming 1 Streaming 97
  40. 40. Stream 1. 100 ~ 10,000 . 2. .
  41. 41. Song Vector Popular .
  42. 42. / / CCM /
  43. 43. .
  • kimjongmin11

    Oct. 30, 2020
  • eumjangi

    Apr. 20, 2020
  • simfuunywork

    Nov. 17, 2019
  • gsk1047

    Jul. 2, 2019
  • SooyonLee

    Jun. 21, 2019
  • ssuserece86c

    May. 21, 2019
  • ssuser97fd50

    Apr. 28, 2019
  • HeejaeLee

    Oct. 1, 2018
  • ssuserb121ec

    Oct. 1, 2018

최규민(pi.314) / kakao corp.(추천팀) --- 발표의 시작은? Music Streaming 서비스인 멜론과 카카오미니에 적용된 Toros 음악 추천 시스템의 다양한 추천 모델과 이를 활용한 추천 레시피에 대한 이야기를 합니다. 그리고 마무리는? 음악 추천을 위해 40~100차원 벡터로 모델링 된 (CB/CF) Latent Feature들을 다양한 조합으로 Visualization(t-SNE)하고 눈으로 탐색해 가면서 재미난 특징을 찾아보고자 합니다. "CB와 CF Feature 노래를 어떻게 표현했을까?”, "Popular노래와 Rare 한 노래의 Feature는?” “Feedback이 많은 유저와 적은 유저 차이는?” “팬덤이 있는 유저들은 어떤 모양일까?"

Aufrufe

Aufrufe insgesamt

3.124

Auf Slideshare

0

Aus Einbettungen

0

Anzahl der Einbettungen

185

Befehle

Downloads

69

Geteilt

0

Kommentare

0

Likes

9

×