音樂推薦相關研究

由於近來線上音樂資訊量快速增加，人們需要透過系統的協助，從過量的音 樂資訊中找出適合、喜歡的音樂。此時，音樂推薦系統即為功能強大的工具，幫 助人們解決資訊超載的問題，推薦個人化音樂給使用者（Schafer, 2007）。Pachet 等人（2000）指出使用者選擇音樂的因素有，重複性：人們喜歡找尋同樣類型的 音樂，驚奇感：人們喜歡嘗試沒有聽過的音樂，目錄探索：以音樂提供者來說，

他們會試圖探索目錄中可能包含的音樂類型。以目前音樂推薦功能來看，大部分 是以使用者過去的音樂喜好分析特徵或是協同過濾（Collaborative Filtering）--從與使用者擁有類似喜好的其他人對於歌曲的評鑑等，這類依據使用者聆聽行為 的分析方法，另外也有依據音樂內容分析技術來推薦音樂，例如聲紋分析技術

（Audio Fingerprint），或是兩者兼顧的方法（Cano et al., 2005；Kuo et al., 2005），

Cano 等人（2005）提出的 Music Surfer 音樂推薦系統即主要透過分析聲音資料 本身提供的一個瀏覽和推薦系統，此系統能夠根據節奏、音色、音調、樂器、動 態等聲音特徵做高階音樂相似度分析，並且讓使用者可以自行評估以及調整相似 度。

然而，若是以喜好分析或是合眾篩選方式必須具備大量使用者聆聽音樂的紀 錄，音樂內容分析的推薦音樂系統則無法提供歌曲名稱、歌曲類別或歌手資訊等 相關資訊（Cano et al., 2005）。許多研究認為未來的音樂推薦系統除了考慮聲音 本質、利用合眾篩選或歌曲分析方法，應納入以使用者為中心的相關資訊如情緒、

情境、文化社會等以迎合不同的個人需求（Kuo et al., 2005；Juslin & Laukka, 2004；

Baumann & Hummel, 2005）。

一、 情緒推薦

人與音樂之間很重要的連結關鍵，即為情緒，情緒也可以說是使用者聽音樂 的最大動機。人們從聆聽音樂過程中感受到各種音樂傳達出來的情緒，也在聆聽 中產生對音樂的情緒反應。心理學有許多研究以探索音樂表達的情緒作為主題，

有以單選、複選、同意程度以及開放式描述等方式研究人們感受到音樂表達出的 情緒（Juslin & Laukka, 2004）。另外也有研究指出聽音樂時夾帶的情緒通常會引 起一些聯想，這些聯想通常是與音樂有關的經驗或是其他因素產生的連結（Davis, 1978），人們甚至會利用聽音樂讓自己勾起某段特定的回憶（Sloboda & O'Neill, 2001）。除此之外，音樂也能引起人們產生心像（mental imagery），也就是心中 想像的一幅與音樂相關的影像。這幅影像不一定和音樂本身直接相關，可能是任 何事物（Juslin & Laukka, 2004）。音樂引導想像（Guided imagery in music）就是 一種被應用於音樂治療的方法（Bonny & Savary, 1973）。

Juslin & Laukka （2004）研究中受試者認為音樂最能夠表達的情緒有中開 心（99%）、難過（91%）、愛（90%）、冷靜（87%）、生氣（82%）、溫柔（82%）

等等（如表 2-1）。

表 2-1 Juslin & Laukka 研究中使用者認為音樂能狗表達的情緒頻率

Kuo 等人（2005）認為依據情緒推薦音樂必須找出情緒與音樂特徵當中的連 結並標記是耗時的，因此提出一個以電影音樂為核心的自動化的音樂推薦系統。

由於音樂具有襯托電影主題、精神，和表達演員情緒的功能，該研究便從電影中 分析音樂特徵，找出與情緒的連結，藉由調整情緒和音樂的關係作為推薦音樂的 基礎。如圖 2-1，使用者能夠提出情緒查詢請求，系統便自動萃取電影中音樂的 特徵，偵測電影中情緒和音樂的連結，再從資料庫中推薦歌曲，關鍵的方法為利 用 Music affinity 圖將所有與該音樂相關的特徵聚合，推薦相似程度最接近的歌 曲。類似研究可以應用於家庭影片配樂、購物商場背景音樂、情境偵測或音樂治 療等方面。

圖 2-1 Kuo 等人提出的音樂情緒推薦系統流程圖

二、 情境推薦

除了情緒之外，情境提供了許多額外的資訊，無論是影響人們的行為，或是 引起不同的音樂聆聽動機，都佔了很重要的角色，人們可能因為在不同地點使用 音樂、不同目的或是不同使用方式而產生不同的情緒反應（Adomavicius &

Tuzhilin, 2008；Juslin & Laukka, 2004）。過去許多研究總是忽略這部分，如今逐 漸受到重視，Juslin & Laukka（2004）以日誌以及問卷調查使用者在日常生活的 各種情境中如何使用音樂以及對音樂產生那些情緒反應，結果如表 2-2，人們一 天最常在做家事、社交或開車跑步時聆聽音樂（Juslin & Laukka, 2004）。

表 2-2 人們最常聽音樂並且同時執行的活動調查結果（Juslin & Laukka, 2004）

Baltrunas & Amatriain（2009）基於時間判斷不同的音樂使用情境，提出以 時間為基準的情境推薦系統。此研究搜集 last.fm 音樂網站中 388 個使用者為期 兩年的聆聽紀錄，以 micro-profiling 的技術，將時間切割，藉由分析出來的情境 音樂連結作為推薦的基礎，然而在這樣的技術中，如何定義時間切割的片段就很 重要。

另外也有研究認為將音樂推薦系統加入社會文化意涵是目前趨勢，社會文化 構成大眾對於音樂的認知情境，Baumann 和 Hummel（2005）利用文化基礎設計 音樂推薦系統，如圖 2-2，使用者輸入歌手名單後，系統會自動在網路上尋找社 會大眾對於歌手的評價、觀點以及認為的類似歌手，依據網路取得的資訊做詞彙

圖 2-2 Baumann 和 Hummel 提出的文化基礎音樂推薦系統架構圖

切割分析，加上權重值後再依據相似矩陣分析，提出類似的歌手結果，再以幾個 知名網站評估結果。利用這類文化基礎的音樂推薦有以下優點：1.得到大眾對於 音樂或歌手的總體概念；2.立即取得性，不必等待群眾評價，系統可以隨時取得 最新歌手的資訊；3.時間變化特性，基於大眾對於歌手的評價變化，系統可以隨 著這些變化而有最即時的結果；4.不需要任何實體音樂檔案，系統的資料來源取 自於網路，因此不需要收藏任何實體音樂。