Online Recommender System for Radio Station Hosting: Experimental Results Revisited
Download as PPTX, PDF2 likes1,025 views
The document discusses an online recommender system for radio station hosting called FMHost, presenting experimental results of various recommendation algorithms. It introduces individual-based, collaborative-based, fusion, and SVD-based recommendation methods, comparing their performance on real data. The findings indicate that the hybrid algorithm outperforms other approaches, particularly in terms of F-measure and NDCG metrics.
![METHODS: FUSION
RECOMMENDER
SYSTEM (FRS)
For each recommendation list of size n:
𝛽∗ ∙ 𝑠𝑐𝑜𝑟𝑒 𝐶 𝑟 + 1 − 𝛽∗ ∙ 𝑠𝑐𝑜𝑟𝑒 𝐼 𝑟
we maximize 𝛽 by a chosen quality measure:
𝛽∗ = 𝑎𝑟𝑔𝑚𝑎𝑥 𝛽∈[0,1] 𝐹−𝑚𝑒𝑎𝑠𝑢𝑟𝑒
𝛽∗ = 𝑎𝑟𝑔𝑚𝑎𝑥 𝛽∈[0,1] 𝑁𝐷𝐶𝐺
17](https://image.slidesharecdn.com/fmhosttalk-140813070806-phpapp01/85/Online-Recommender-System-for-Radio-Station-Hosting-Experimental-Results-Revisited-17-320.jpg)
Online Recommender System for Radio Station Hosting: Experimental Results Revisited
- 1. ONLINE RECOMMENDER SYSTEM FOR RADIO STATION HOSTING: EXPERIMENTAL RESULTS REVISITED Dmitry I. Ignatov1, Sergey Nikolenko1,2, Taimuraz Abaev1, and Natalia Konstantinova3 1National Research University Higher School of Economics, Russia 2Steklov Institute of Mathematics at St. Petersburg of the RAS, Russia 3University of Wolverhampton, UK IEEE/WIC/ACM International Conference on Web Intelligence August 11-14, 2014 Warsaw, Poland
- 2. OUTLINE • FMhost Online Radio Hosting • Recommender Model • Data • Model and Algorithms • Quality of Service Evaluation (QoS) • User and Radio Station Activity Analaysis • Results for the proposed methods • Comparison with SVD-based recommender • Conclusion
- 3. ONLINE RADIO HOSTING FMHOST • FMhost.me or Host.fm • Real radio, not a streamer • Social network • Lives • New features • Listener oriented • Likes • Favorites
- 4. USERS • Unauthorized • Listeners • DJs • Station owners
- 5. ONLINE RADIO HOSTING FMHOST IN 2012
- 6. MUSIC RECOMMENDATION Conferences and workshops: • International Society for Music Information Retrieval Conference (ISMIR) • Recommender Systems Conference (RecSys) • Workshop on Music Recommendation and Discovery (WOMRAD) Web services: • Last.fm • Pandora • iTunes 6
- 7. PREVIOUS WORK Usually methods for music recommendation use quite limited data sources: • Collaborative filtering exploits only users’ ratings • Acoustic methods relies on acoustic information • Hybrid approaches combine different methods 7
- 8. PREVIOUS WORK • B. Logan. Music recommendation from song sets. In Proc. the 5th International Conference on Music Information Retrieval, Barcelona, Spain, 2004. • O. Celma. Foafing the music: Bridging the semantic gap in music recommendation. In Proc. the 5th International Semantic Web Conference, Athens, Georgia, 2006. • K. Yoshii, M. Goto, K. Komatani, T. Ogata, and H. G. Okuno. Hybrid collaborative and content-based music recommendation using probabilistic model with latent user preferences. In Proc. the 7th International Conference on Music Information Retrieval, Victoria, Canada, 2006. • S. Pauws, W. Verhaegh, and M. Vossen. Fast generation of optimal music playlists using local search. In Proc. the 7th International Conference on Music Information Retrieval, Victoria, Canada, 2006. • Dmitry I. Ignatov, Andrey V. Konstantinov, Sergey I. Nikolenko, Jonas Poelmans, Vasily Zaharchuk: Online Recommender System for Radio Station Hosting. BIR 2012: 1-12. 8
- 9. THE PREVIOUS ALGORITHM • Ignatov et al. 2011
- 10. MOTIVATION • It is rare case when different approaches to recommendations are used together (e.g. history of listening and tags) • Too few research activity in radiostation recommendation 10
- 11. PROBLEM SETTING • To propose models and algorithms for radiostation (and music) recommendation • To implement the proposed algorithms, test and compare them on real data of radio hosting FMHost 11
- 12. FMHOST DATA Entity Count User 4266 Tag 3618 Radiostation s 2209 Tracks 4165 12 Relation Count User-tag 38504 Radiostation-tag 18539 User-Radiostation 24803 Track-tag 18781 Radiostation-track 22525 Users Radiostatio ns Tags Track s
- 13. THE MODEL: DATA • U is a set of users, R is a set of radio stations, T is a set of tags • A=(aut), B=(brt), C=(cur), X=(xst) • frequency vectors • Normalized matrices, e.g.
- 15. METHODS: INDIVIDUAL- BASED RECOMMENDER SYSTEM (IBRS) Distance between user and radiostation: 𝑑 𝑢0, 𝑟 = 𝑡∈𝑇 |𝑎 𝑢0 𝑡 − 𝑏 𝑟𝑡| Relevance of radiostation 𝑟𝑖 for user 𝑢0: 𝑠𝑐𝑜𝑟𝑒 𝑟𝑖 = 1 − 𝑑(𝑢0, 𝑟𝑖)/ max 𝑟 𝑗∈𝑅 𝑑(𝑢0, 𝑟𝑗) 15
- 16. METHODS: COLLABORATIVE- BASED RECOMMENDER SYSTEM (CBRS) Users’ similarity: sim 𝑢0, 𝑢 = 𝑡∈𝑇 𝑢0𝑡 𝑢 𝑡 𝑡∈𝑇 𝑢0𝑡 2 ∙ 𝑡∈𝑇 𝑢 𝑡 2 𝑠𝑖𝑚 𝑢0, 𝑢 = 1 − 𝑑 𝑢0 𝑢/ max 𝑢′∈𝑈 𝑑 𝑢0 𝑢′ Relevance of radiostation for the target user 𝑢0: 𝑠𝑐𝑜𝑟𝑒 𝑟 = 𝑠𝑖𝑚 𝑢∗ ∙ 𝑐 𝑓𝑢∗ 𝑟 𝑢∗ = 𝑎𝑟𝑔𝑚𝑎𝑥 𝑢∈𝑈 𝑢0,𝑟∈𝑅/𝐿(𝑢0) 𝑠𝑖𝑚(𝑢) ∙ 𝑐𝑓𝑢𝑟 𝑐𝑓𝑢𝑟 – frequency of visits of radiostation 𝑟 by user 𝑢 𝐿(𝑢0) – the set of radiostations listened by user 𝑢0 𝑈 𝑢0 – the set of k most similar users with the target user 𝑢0 16
- 17. METHODS: FUSION RECOMMENDER SYSTEM (FRS) For each recommendation list of size n: 𝛽∗ ∙ 𝑠𝑐𝑜𝑟𝑒 𝐶 𝑟 + 1 − 𝛽∗ ∙ 𝑠𝑐𝑜𝑟𝑒 𝐼 𝑟 we maximize 𝛽 by a chosen quality measure: 𝛽∗ = 𝑎𝑟𝑔𝑚𝑎𝑥 𝛽∈[0,1] 𝐹−𝑚𝑒𝑎𝑠𝑢𝑟𝑒 𝛽∗ = 𝑎𝑟𝑔𝑚𝑎𝑥 𝛽∈[0,1] 𝑁𝐷𝐶𝐺 17
- 18. METHODS: SVD-BASED RECOMMENDER • log 𝑐 𝑢𝑟 + 1 ~𝜇 + 𝑏 𝑢 + 𝑏 𝑟 + 𝑣 𝑢∙ 𝑇 𝑣𝑟∙ 𝑐 𝑢𝑟 is the number of times user 𝑢 listened to radio station 𝑟 𝜇 is the general mean, 𝑏 𝑢 and 𝑏 𝑟 are the baseline predictors for the user 𝑢 and the station 𝑟 𝑣 𝑢∙ and 𝑣𝑟∙ are the vectors of the user and station features 18
- 19. METHODS: MUSIC RECOMMENDATION TO USERS & REPERTOIRE RECOMMENDATION FOR RADIOSTATIONS Similarity of users and songs: 𝑠𝑖𝑚 𝑢0, 𝑠 = 𝑡∈𝑇 𝑢0𝑡 𝑠𝑡 𝑡∈𝑇 𝑢0𝑡 2 ∗ 𝑡∈𝑇 𝑠𝑡 2 Relevance of song 𝑠𝑖 for user 𝑢0 via distance: 𝑠𝑐𝑜𝑟𝑒 𝑠𝑖 = 1 − 𝑑(𝑢0, 𝑠𝑖)/ max 𝑠 𝑗∈𝑆 𝑑(𝑢0, 𝑠𝑗) Similarity of radiostations and songs: 𝑠𝑖𝑚 𝑟0, 𝑠 = 𝑡∈𝑇 𝑟0𝑡 𝑠𝑡 𝑡∈𝑇 𝑟0𝑡 2 ∗ 𝑡∈𝑇 𝑠𝑡 2 Relevance of song 𝑠𝑖 for radiostation 𝑟0 via distance: 𝑠𝑐𝑜𝑟𝑒 𝑠𝑖 = 1 − 𝑑(𝑟0, 𝑠𝑖)/ max 𝑠 𝑗∈𝑆 𝑑(𝑟0, 𝑠𝑗) 19
- 20. QoS: DISTRIBUTION ANALYSIS • Looking for Power Law P(x)=Cx-a
- 22. QoS: DISTRIBUTION ANALYSIS • Pareto Principle (20%:80%) • 50%:80% for radio stations • 50%:83% for user visits
- 23. RESULTS: IBRS 23
- 24. RESULTS: CBRS 24
- 25. RESULTS: FRS MAXIMIZATION OF F-MEASURE 25 𝛽 ∙ 𝑠𝑐𝑜𝑟𝑒 𝐶𝐵𝑅𝑆 𝑟 + 1 − 𝛽 ∙ 𝑠𝑐𝑜𝑟𝑒 𝐼𝐵𝑅𝑆 𝑟
- 26. RESULTS: FRS MAXIMIZATION OF NDCG 26 𝛽 ∙ 𝑠𝑐𝑜𝑟𝑒 𝐶𝐵𝑅𝑆 𝑟 + 1 − 𝛽 ∙ 𝑠𝑐𝑜𝑟𝑒 𝐼𝐵𝑅𝑆 𝑟
- 27. RESULTS: SVD 27 Solid line denotes error on the validation set; dashed line, error on the training set.
- 31. RESULTS: MUSIC RECOMMENDATION TO USERS 31
- 32. RESULTS: RECOMMENDATION OF REPERTOIRE FOR RADIOSTATIONS 32
- 33. CONCLUSION • We have described the underlying models, algorithms, and system architecture of the new improved FMHost service and tested it on the available real dataset. • By using bimodal cross-validation, we have built a hybrid algorithm FRS tuned to maximize either F-measure or NDCG for various values of N and 𝛽. The FRS algorithm performs better than the three other approaches, namely IBRS, CBRS, and SVD, both in terms of F-measure and in terms of NDCG. • According to the NDCG@n measure, IBRS is strictly better than CBRS, so the former one is a better ranker. • Surprisingly, in our experiments the state-of-the-art SVD-based technique performed poorly in comparison to our proposed algorithms. This can be explained by the small size and sparseness of our dataset. 33
Editor's Notes
- #4: Возможно этот слайд можно разбить. Здесь стоит упомянуть разницу между Fmhost-ом и Last-ом. Сказать так же, что наш проект позволяет устраивать интерактив и у каждого лайва есть свой блог, так же есть стена у каждой станции и у каждого зарегистрированного пользователя. Лайвы – это отдельная плюшка, живой интерактив с диджеем в блоге и исключительно живое проведение, человек сам должен отыграть лайв. Можно даже живую группу подсоединить, если есть желание. Новые опции – это новая панелька, которая позволяет вести лайвы с многими плюшками и удобствами, ну и так, кое какие архитектурные решения, которые сильно упрощают жизнь диджеям. Ориентация на слушателей, и привлечение их на проект (чему и служит рекомендательная система), что позволяет раскручивать станции и дижеев. Задача проекта вывести интернет радио на один уровень с обычным.
- #5: 4 уровня пользователей: Неавторизованные - имеют право слушать станции и лайвы, просматривать информацию по диджеям, станциям и исполнителям. Слушатели – имеют право слушать все, но при этом они могут стать диджеем, проведя хоть один лайв. Так же они могут пользоваться рекомендательной системой. Могут оставлять комментарии и принимать участие в интерактиве лайвов. Так же они могут подписываться на лайвы и вступать в фан-клубы исполнителей (это новая фишка. После релиза я буду модернизировать систему и добавлять все эти плюшки в РС). DJs – получают статус диджея, после проведенного лайва. Имеют право вступать в команду станции, и получают рейтинг, который строится на основании лайвов, которые они проводят. Владельцы станций – имеют право набирать команду и строить вещание, а так же назначать лайвы.
- #6: Возможно этот слайд можно разбить. Здесь стоит упомянуть разницу между Fmhost-ом и Last-ом. Сказать так же, что наш проект позволяет устраивать интерактив и у каждого лайва есть свой блог, так же есть стена у каждой станции и у каждого зарегистрированного пользователя. Лайвы – это отдельная плюшка, живой интерактив с диджеем в блоге и исключительно живое проведение, человек сам должен отыграть лайв. Можно даже живую группу подсоединить, если есть желание. Новые опции – это новая панелька, которая позволяет вести лайвы с многими плюшками и удобствами, ну и так, кое какие архитектурные решения, которые сильно упрощают жизнь диджеям. Ориентация на слушателей, и привлечение их на проект (чему и служит рекомендательная система), что позволяет раскручивать станции и дижеев. Задача проекта вывести интернет радио на один уровень с обычным.