วิศวกรไฟฟ้าไปพบกับอัจฉริยะในเพลย์ลิสต์เพลง

ปริญญาเอกวิศวกรรมไฟฟ้า UC San Diego นักเรียน Luke Barrington ได้นำเสนอข้อค้นพบนี้เมื่อวันที่ 28 ตุลาคมที่งาน International Society for Music Information Retrieval Conference (ISMIR 2009) ในเมืองโกเบ ประเทศญี่ปุ่น* "เป้าหมายของเราคือการสร้างเครื่องมือแนะนำเพลงที่ดีเท่าหรือดีกว่า Genius แต่ไม่ต้องใช้ข้อมูลผู้ใช้จำนวนมหาศาล ระบบที่เรากำลังพัฒนาสามารถวิเคราะห์และแนะนำเพลงที่ไม่รู้จักโดยวงดนตรีใหม่ๆ ได้แม่นยำพอๆ กัน วิเคราะห์เพลงฮิตยอดนิยม” Barrington ผู้ซึ่งใช้เทคโนโลยีพื้นฐานเดียวกันในการสร้างชุดเกมค้นหาเพลงสำหรับ Facebook และเครื่องมือค้นหาเพลงรูปแบบใหม่ที่จะเปิดให้ทดสอบเบต้าในสัปดาห์หน้า (http://herdit . org/music/index.html) เครื่องมือสำหรับสร้างเพลย์ลิสต์เพลงอัตโนมัติมีประโยชน์มากขึ้นเรื่อยๆ ในขณะนี้ เนื่องจากมีเพลงจำนวนมากพร้อมให้ดาวน์โหลดและสตรีมไปยังทุกคนที่มีการเชื่อมต่ออินเทอร์เน็ต iTunes ซึ่งเป็นผู้ค้าปลีกเพลงที่ได้รับความนิยมมากที่สุดในโลก ขายได้มากกว่า 6 พันล้านเพลง Genius ใช้ "การกรองการทำงานร่วมกัน" ในสถิติการซื้อเหล่านี้ เพื่อช่วยให้ผู้คนจัดระเบียบเพลงของพวกเขาและค้นพบเพลงใหม่ที่พวกเขาอาจชอบโดยอิงจากความคล้ายคลึงกับเพลง "seed" ที่พวกเขาชอบ จากสถิติโดยเฉลี่ยเกี่ยวกับวิธีที่ผู้ฟังหลายล้านคนซื้อและเล่นเพลง Genius ดูเหมือนจะจับความคล้ายคลึงกันของอะคูสติกระหว่างเพลงได้จริง ตามการวิจัยใหม่ซึ่งเกี่ยวข้องกับการประเมินระบบแนะนำเพลงโดยมนุษย์ และนำโดยนักวิจัยจาก UC San Diego Jacobs School of วิศวกรรม. เนื่องจาก Genius เป็นระบบที่เป็นกรรมสิทธิ์ซึ่งความลับไม่เปิดเผยต่อสาธารณะ นักวิจัยจึงศึกษาโดยการทดสอบคำแนะนำเพลงกับคำแนะนำเพลงที่เทียบเคียงได้จากระบบแนะนำเพลงทดลองที่พวกเขาเข้าใจอย่างถ่องแท้ "ในตอนแรก เราคิดว่าการกรองร่วมกันจะค้นหาศิลปินที่คล้ายกัน ถ้าคุณชอบ Daft Punk ก็อาจแนะนำเพลงของ Justice อย่างไรก็ตาม เราพบว่าความคล้ายคลึงกันของอะคูสติกเกิดขึ้นในเพลย์ลิสต์ Genius ดูเหมือนว่า Genius จะพบความสอดคล้องกันระหว่างเพลงที่ไป เกินกว่าที่คุณจะได้รับจากการจับคู่ศิลปิน เราไม่คิดว่า Genius รู้จริง ๆ เกี่ยวกับอะคูสติกของเพลง แต่ก็ยังให้คำแนะนำที่ดี เนื่องจากข้อมูลที่ใช้นั้นสร้างขึ้นจากการวิเคราะห์อะคูสติกของเพลงที่มนุษย์หลายล้านคนทำ" Luke Barrington, Ph.D. วิศวกรรมไฟฟ้ากล่าวว่า ผู้สมัครจาก UC San Diego Jacobs School of Engineering และเป็นผู้เขียนคนแรกของการศึกษาใหม่ Gert Lanckriet ศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์จาก UC San Diego และ Reid Oda ฉลาดกว่า อัจฉริยะ ? นักวิจัยของ UC San Diego พบว่าตัวสร้างเพลย์ลิสต์ที่พวกเขาสร้างขึ้นโดยใช้อัลกอริทึมของตนเองนั้นทำงานเช่นเดียวกับ Genius ภายใต้เงื่อนไขบางประการ ตรงกันข้ามกับ Genius ซึ่งใช้ข้อมูลเกี่ยวกับเพลงที่ผู้คนซื้อและฟังใน iTunes เพื่อเรียนรู้ว่าเพลงใดในคลัง iTunes ที่เกี่ยวข้องกัน โปรแกรมแนะนำเพลงของ UCSD อาศัยอัลกอริทึมการแท็กอัตโนมัติที่ใช้การเรียนรู้ของเครื่องเพื่อระบุชื่อเพลงที่มีคำอธิบาย คำตามเนื้อหาอะคูสติกของเพลงเท่านั้น "ระบบคอมพิวเตอร์ของเราทำงานโดยการฟังเพลง -- มันไม่รู้อะไรเลยเกี่ยวกับศิลปิน อัลบั้ม หรือชาร์ต ในการทดลองสำรวจของเรา เราพยายามที่จะลบอคติเหล่านี้ออกจากผู้ฟังที่เป็นมนุษย์โดยการซ่อนชื่อเพลงและ ศิลปินและทำให้แน่ใจว่าผู้ทดลองชอบเพลงเริ่มต้น แต่ไม่เคยได้ยินมาก่อน” Barrington กล่าว ในกรณีเหล่านี้ นักวิจัยพบว่าผู้คนชอบเพลย์ลิสต์ที่สร้างโดยอัลกอริทึมการแท็กอัตโนมัติของ UCSD บ่อยพอๆ กับที่พวกเขาชอบเพลย์ลิสต์ Genius ความเท่าเทียมกันบางส่วนกับ Genius นี้เป็นการตอกย้ำว่าอัลกอริทึมการติดแท็กอัตโนมัติของ UCSD สามารถใช้สร้างเพลย์ลิสต์เพลงคุณภาพสูงที่รวมเพลงที่รู้จักน้อยและไม่รู้จักเข้าด้วยกันได้อย่างไร ปัจจุบัน Genius ไม่สนใจเพลงที่ค่อนข้างไม่รู้จัก เพราะลูกค้า iTunes ขาดความเข้าใจที่เพียงพอเกี่ยวกับวิธีที่เพลงเหล่านี้เชื่อมต่อกับเพลงอื่น ระบบต่างๆ เช่น อัลกอริธึมการติดแท็กเพลงอัตโนมัติที่พัฒนาที่ UC San Diego อาจมีประโยชน์ในการเติมเต็ม "จุดบอด" ใน Genius และระบบการกรองการทำงานร่วมกันอื่นๆ ที่อาศัยภูมิปัญญาของคนทั่วไปในการสร้างเพลย์ลิสต์ "เราไม่ได้คาดหวังว่าระบบของเราจะเอาชนะ Genius ในการสร้างเพลย์ลิสต์ตามเพลงยอดนิยม ระบบของเราไม่ทราบเกี่ยวกับศิลปิน ความนิยม วันที่วางจำหน่าย อัลบั้ม หรือสิ่งอื่นใดที่แฟนเพลงทั่วไปรับรู้ เราเพิ่มข้อมูลนั้นเข้าไป เราคิดว่าเราสามารถสร้างบางสิ่งที่ฉลาดกว่า Genius ได้จริงๆ" Barrington กล่าว เกมดนตรีเป็นการวิจัยที่จริงจัง วิศวกรไฟฟ้าของ UCSD ปรับปรุงอัลกอริธึมการติดแท็กอัตโนมัติอยู่เสมอ ต้องขอบคุณชุดเกมค้นหาเพลงที่พวกเขาสร้างขึ้นสำหรับ Facebook ที่ชื่อว่า Herd It ผู้เล่นฟังเพลงและแข่งขันกับผู้เล่นออนไลน์คนอื่นๆ เพื่ออธิบายเพลงที่พวกเขากำลังฟังได้อย่างถูกต้องที่สุด วิศวกรไฟฟ้าใช้การผสมคำเพลงที่เกมเหล่านี้สร้างขึ้นเพื่อปรับปรุงความแม่นยำและความกว้างของอัลกอริธึมการติดแท็กอัตโนมัติ เช่นเดียวกับเกม Herd It การสำรวจที่วิศวกรสร้างขึ้นเพื่อศึกษาเพลย์ลิสต์ก็เริ่มจากการที่มนุษย์ฟังคลิปเพลง จากนั้น ระบบการสำรวจได้สร้างเพลย์ลิสต์ห้าเพลงที่แข่งขันกันสองรายการสำหรับเพลงเริ่มต้นเดียวกัน เพลย์ลิสต์ถูกสร้างขึ้นโดยหนึ่งในสี่ระบบแนะนำที่เป็นไปได้ซึ่งนักวิจัยกำลังศึกษาอยู่: Genius; ความคล้ายคลึงกันของศิลปิน -- โปรแกรมแนะนำเพลงที่เลือกเพลงตามศิลปินที่คล้ายกันเท่านั้น แท็กที่คล้ายกัน -- โปรแกรมแนะนำเพลงที่เลือกเพลงตามเนื้อหาเสียงของเพลงเท่านั้น (ระบบนี้สร้างขึ้นจากอัลกอริธึมการติดแท็กอัตโนมัติของ UCSD) หรือเพลย์ลิสต์แบบสุ่ม สำหรับเพลย์ลิสต์แต่ละคู่ กลุ่มตัวอย่างระบุรายการที่พวกเขาคิดว่าดีกว่า เพลย์ลิสต์ถูกสร้างขึ้นจากคลังเพลงส่วนตัวของผู้แต่งที่มีเพลงที่ค่อนข้างได้รับความนิยมมากกว่า 12,000 เพลง ซึ่งครอบคลุมแนวเพลงยอดนิยมตะวันตกที่พบมากที่สุด ผู้คนย้ายไปสตรีมเพลงมากขึ้นเรื่อยๆ โดยที่ผู้ฟังไม่มีไฟล์จริงๆ ด้วยการเข้าถึงทุกเพลงบน You Tube การตัดสินใจว่าเพลงใดจาก 10 ล้านเพลงที่คุณต้องการฟังต่อไปอาจเป็นเรื่องที่น่ากังวล "เพลย์ลิสต์เป็นเครื่องมือที่สำคัญมากขึ้นในการเอาชนะสิ่งที่อาจเป็นการสตรีมเพลงจำนวนมาก" Barrington กล่าว เทคโนโลยีการค้นหาเพลงใหม่ อัลกอริทึมที่แท็กเพลงโดยอัตโนมัติด้วยคำอธิบายที่เป็นรากฐานของโปรแกรมสร้างเพลย์ลิสต์ UC San Diego ยังขับเคลื่อนเสิร์ชเอ็นจิ้นใหม่สำหรับเพลง เช่นเดียวกับเกมบน Facebook ที่ให้ข้อมูลที่จำเป็นแก่นักวิจัยในการปรับปรุงเสิร์ชเอ็นจิ้นใหม่ .