Music Recommendation and Discovery: The Long Tail, Long Fail, and Long Play in the Digital Music Space

این روزها با وجود موسیقی بسیار بیشتر، روش‌های سنتی یافتن موسیقی کاهش یافته است. امروزه نمایش‌های رادیویی اغلب توسط شرکت‌های بزرگی برنامه‌ریزی می‌شوند که فهرست‌های پخشی را از مجموعه محدودی از آهنگ‌ها ایجاد می‌کنند. به طور مشابه، فروشگاه‌های موسیقی جای خود را به خرده‌فروشی‌های بزرگی داده‌اند که بخش‌های موسیقی همیشه در حال کوچک شدن هستند. شنوندگان به‌جای تکیه بر دی‌جی‌ها، کارمندان فروشگاه‌های موسیقی یا دوستانشان برای توصیه‌های موسیقی، به دستگاه‌هایی روی می‌آورند تا آنها را به سمت موسیقی جدید راهنمایی کنند.

در این کتاب، اسکار سلما ما را در دنیای موسیقی خودکار راهنمایی می‌کند. توصیه او نحوه کار توصیه‌کنندگان موسیقی را شرح می‌دهد، برخی از محدودیت‌های موجود در توصیه‌کننده‌های فعلی را بررسی می‌کند، تکنیک‌هایی را برای ارزیابی اثربخشی توصیه‌های موسیقی ارائه می‌دهد و نحوه ایجاد توصیه‌کننده‌های مؤثر را با ارائه دو نمونه توصیه‌کننده در دنیای واقعی نشان می‌دهد. او بر کیفیت درک شده کاربر، به جای دقت پیش‌بینی سیستم هنگام ارائه توصیه‌ها، تأکید می‌کند، بنابراین به کاربران اجازه می‌دهد با بهره‌برداری از دم بلند محبوبیت و ترویج مطالب بدیع و مرتبط (\"توصیه‌های غیر واضح\") موسیقی جدیدی کشف کنند. به منظور دستیابی به دم دراز، او باید تکنیک‌هایی را از تجزیه و تحلیل شبکه پیچیده و بازیابی اطلاعات موسیقی ببافد.

با هدف دانشجویان سال آخر کارشناسی و کارشناسی ارشد که روی سیستم‌های توصیه‌گر یا بازیابی اطلاعات موسیقی کار می‌کنند، این کتاب وضعیت هنر تمام تکنیک های مختلف مورد استفاده برای توصیه آیتم ها را با تمرکز بر حوزه موسیقی به عنوان برنامه اساسی ارائه می دهد.

With so much more music available these days, traditional ways of finding music have diminished. Today radio shows are often programmed by large corporations that create playlists drawn from a limited pool of tracks. Similarly, record stores have been replaced by big-box retailers that have ever-shrinking music departments. Instead of relying on DJs, record-store clerks or their friends for music recommendations, listeners are turning to machines to guide them to new music.

In this book, Òscar Celma guides us through the world of automatic music recommendation. He describes how music recommenders work, explores some of the limitations seen in current recommenders, offers techniques for evaluating the effectiveness of music recommendations and demonstrates how to build effective recommenders by offering two real-world recommender examples. He emphasizes the user's perceived quality, rather than the system's predictive accuracy when providing recommendations, thus allowing users to discover new music by exploiting the long tail of popularity and promoting novel and relevant material ("non-obvious recommendations"). In order to reach out into the long tail, he needs to weave techniques from complex network analysis and music information retrieval.

Aimed at final-year-undergraduate and graduate students working on recommender systems or music information retrieval, this book presents the state of the art of all the different techniques used to recommend items, focusing on the music domain as the underlying application.