[論文レビュー] Determining Song Similarity via Machine Learning Techniques and Tagging Information

Renato L. F. Cunha, Evandro Caldeira+1 more|arXiv (Cornell University)|Apr 12, 2017

Music and Audio Processing参考文献 6被引用数 3

ひとこと要約

この論文は、音楽ファイルを必要とせず、アーティストやタイトルなどのメタデータとユーザー生成タグのみを用いて、tf-idfとk-NNモデルを活用した機械学習的手法を提案し、楽曲の類似度を推定する。tf-idfはWord2Vecを大きく上回り、k-NNはSVMや線形回帰を著しく上回り、500万曲のLast.fmデータセットで最高のR²スコアを達成した。

ABSTRACT

The task of determining item similarity is a crucial one in a recommender system. This constitutes the base upon which the recommender system will work to determine which items are more likely to be enjoyed by a user, resulting in more user engagement. In this paper we tackle the problem of determining song similarity based solely on song metadata (such as the performer, and song title) and on tags contributed by users. We evaluate our approach under a series of different machine learning algorithms. We conclude that tf-idf achieves better results than Word2Vec to model the dataset to feature vectors. We also conclude that k-NN models have better performance than SVMs and Linear Regression for this problem.

研究の動機と目的

• 音声ファイルを必要とせず、メタデータとタグに基づくスケーラブルな楽曲類似度予測手法の開発。
• tf-idf や Word2Vec などの自然言語処理技術が、テキスト形式のメタデータとタグから楽曲特徴ベクトルをモデル化する有効性の評価。
• k-NN、SVM、線形回帰といった多様な機械学習アルゴリズムが、楽曲類似度予測においてどの程度の性能を示すかの比較。
• ユーザーのリスニング履歴における楽曲ペアの共起頻度に基づいて、類似度の基準値を確立。
• 楽曲類似度予測において、特徴表現と学習アルゴリズムの最適な組み合わせの特定。

提案手法

• データセットはLast.fm APIを介して収集され、1億3800万件の楽曲ペアについて、楽曲メタデータ、ユーザーのタグ、共起に基づく類似度スコアを含む。
• テキスト正規化として、アクセントの除去、特殊文字の削除、Unicode文字を最も近いラテン文字に変換する処理が実施され、'Rolling Stones' などの複数語表記は1つのトークンに統合された。
• 2つの自然言語処理手法を用いて特徴ベクトルを構築：tf-idf（各楽曲のタグを文書とみなす）とWord2Vec（タグのベクトルの重み付き平均を、タグの出現頻度で重み付け）。
• k-NNモデルは、特徴ベクトル間のコサイン類似度を用いて類似度を予測し、R²スコアを用いて性能を評価した。
• データセットは、元データ、s>1%、s>2.5% の3つのバージョンにフィルタリングされ、低類似度ペアへの感受性を評価した。
• モデル評価には10万件のサンプルを用い、訓練用とテスト用に分割され、モデルの適合度を評価する主な指標としてR²が使用された。

実験結果

リサーチクエスチョン

• RQ1 テキストメタデータとタグから類似度を予測する際、tf-idfはWord2Vecに比べてより効果的な楽曲特徴表現を生み出すか？
• RQ2 k-NN、SVM、線形回帰モデルは、テキスト特徴を用いた楽曲類似度予測において、どの程度の性能を示すか？
• RQ3 低類似度ペア（s < 1% または s < 2.5%）を除外することで、モデルの性能が向上するか？
• RQ4 ユーザーのリスニング履歴から導出される共起ベースの類似度指標は、楽曲類似度の妥当で効果的な基準値として適切か？
• RQ5 この文脈において、k-NNがSVM や線形回帰といったより複雑なモデルを著しく上回る理由は何か？

主な発見

• tf-idfは、すべてのデータフィルタリング条件において、Word2Vecを上回る性能を示し、R²スコアが高く維持された。
• k-NNモデルはSVMおよび線形回帰を上回り、特に元データセットでは、k=10の最良のk-NNモデルがR²=0.305を達成した。
• 元データセットで最も性能の高かったk-NNモデルはR²スコア0.305を記録し、平均予測子（R²=0）を著しく上回ったことから、有意義な予測能力を示した。
• SVM（SVR）は全モデルの中で最も成績が悪く、すべての設定でR²スコアが0.2未満であり、一部のフィルタリング設定では負のスコアを示した。
• 低類似度ペア（s>1% または s>2.5%）を除外することで、全モデルの性能が低下した。特にk-NNはR²が0.105および0.069に低下し、低類似度ペアがモデルの汎化能力に寄与していることが示唆された。
• 線形回帰モデルは著しく性能が低く、R²スコアがほぼゼロに近かったため、データセットの平均値を予測するのとほとんど差がなかった。