Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Collaborative Recommendations for Music Session Instrumentation: Contrasting Graph to ML Based Approaches
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Digital music composers are required to become proficient with relevant tools necessary for music in their particular domain. The learning curve for acquiring the skills for creative music composing, relative to the respective tooling, can be steep. The topic of recommendation systems aims to help the user getting over this threshold by filtering out irrelevant material. Many of the state-ofthe-art recommendation systems focus on metrics that are easy to measure as opposed to focusing on metrics that reflect a natural next-step when creating and listening to music. There is an exaggerated focus on smaller sets of metrics, especially accuracy metrics, and how these can be optimized. At the same time, there is support for the need of using complementary metrics, such as novelty and catalogue coverage, for more diversified recommendations. This suggests that even though the need for complementary metrics is known, it is often overlooked. The majority of these state-of-the-art approaches utilizes recommendations based either on graphs or machine learned models and little elaboration on how these approaches will effect the metrics are shown. The used toolset for the conducted experiment is composed of sessions with digital instruments, where the recommendation systems aims to give recommendations on what instrument to pick as the next step in the session. The contribution of this thesis includes how the architecture of the recommendation system can be composed in order to have a more fine grained control over the optimization of different metrics. By using scoring from a linear combination of similarity, selfexciting events and a weighted graph different metrics can dynamically be given more space. By contrasting this graph based approach to a machine learned model this thesis shows how metrics are effected by the architecture, so that recommendation systems can be built for better transparency and more user control over metric optimization.

Abstract [sv]

Vid digitalt musikskapande behöver kompositören lära sig relevanta verktyg för musik i den specifika domänen. Inlärningskurvan för anskaffningen av färdigheter för kreativt musikskapande, med avseende på tillgängliga verktyg, kan vara brant. Rekommendationssystem syftar till att hjälpa användaren komma över inlärningströskeln genom att filtrera ut relevant material. Ett gemensamt problem för de vanligare rekommendationsmetoderna är att dessa fokuserar på enkelmätt utvärderingsmetrik. Detta står i kontrast till sådan metrik vilken återspeglar

ett naturligt nästa steg vid konsumtion och skapande av musik. Det finns ett överdrivet fokus på en liten grupp mätvärden, speciellt träffsäkerhet (eng. accuracy), och hur dessa kan optimeras. Samtidigt finns det också ett stort stöd för behovet av kompletterande metrik, såsom nyheter (eng. novelty) och katalogtäckning (eng. catalogue coverage), för en bättre mångfald i rekommendationerna. Detta tyder på att även om behovet av kompletterande metrik är känt, förbises det ofta. Majoriteten av de tillgängliga systemen använder rekommendationer vilka baseras antingen på grafer eller maskinlärda modeller. Vanligt förekommande är att diskussionen rörande valet av utvärderingsmetrik och metod samt dessas ömsesidiga influens bortses ifrån. De verktyg som används för experimentet i denna uppsats består av sessioner med digitala instrument, där rekommendationen syftar till att visa vilket instrument som kan väljas i nästa steg i sessionen. Denna uppsatts bidrar med en diskussion om hur datadrivna rekommendationsarkitekturer och tillvägagångssätt kan konstrueras för att erhålla en mer detaljerad kontroll över vilka mätvärden som optimeras. Genom att använda en linjär kombination av likhet, självexciterade händelser (eng. self-exciting events) och en viktad graf kan olika rekommendationsmetoder, och så till vida utvärderingsmetrik, dynamiskt ges mer utrymme i den slutgiltiga bedömningen. Genom att jämföra detta grafbaserade tillvägagångssätt med en maskinlärd modell visar denna uppsats hur metrik påverkas av metodval. Detta medför att rekommendationssystem kan konstrueras för bättre transparens för musikskaparen och mer användarkontroll över metrikoptimeringen.

Place, publisher, year, edition, pages
2018. , p. 78
Series
TRITA-EECS-EX ; 2018:302
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-232065OAI: oai:DiVA.org:kth-232065DiVA, id: diva2:1232053
Subject / course
Computer Science
Educational program
Master of Science - Software Engineering of Distributed Systems
Supervisors
Examiners
Available from: 2018-07-10 Created: 2018-07-10 Last updated: 2018-07-10Bibliographically approved

Open Access in DiVA

fulltext(4055 kB)7 downloads
File information
File name FULLTEXT01.pdfFile size 4055 kBChecksum SHA-512
9052dc425d86047ba718e8981ba1b9d9b606638ca5cced0c1892901bf101aa795c0083b0cdab21beb7edf9750eb853bd3df7fdb3810296b821a336d12f33b911
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 7 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 32 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf