音樂推薦系統整理及比較

接著將整理及比較相關的音樂推薦系統，並各述其優缺點。

(1) CA-MRS

CA-MRS 是一套情境察覺音樂推薦系統，可動態的考量使用者的音樂偏好

，藉由感應器或網路收集資訊，利用模糊貝氏網路(Fuzzy bayesian network)將資 訊整理成情境，接著考量使用者在不同情境下的偏好音樂，最後就可產生推薦。

此系統所收集的情境資訊主要描述天氣、季節、噪音等外在環境，雖然系統可依 據聽音樂的環境不同而產生不同結果，但在考量使用者因素方面只考慮了使用者 的性別及年齡，因此不算是完全個人化的系統，只要使用者在相同的外在環境下 有類似偏好就可能得到相同推薦結果。

(2) Smart Radio

Smart Radio 提供一個網路平台讓使用者管理及建立個人的音樂清單，結合 協同式與內容式推薦技術產生推薦並與他人分享，系統會同時記錄使用者長期的 音樂偏好，也就是對聽過音樂所給的評比，以及短期內在不同情境的音樂偏好，

首先利用協同式推薦技術篩選出使用者可能偏好的音樂，再利用近期的情境音樂 偏好過濾掉不符合的歌，最後依照推薦的優先順序呈現。除此之外，使用者還可 決定對新音樂的接受值，愈高代表希望收到推薦新音樂的程度愈高、可決定對歌 曲的偏好播放期間，因為同樣的歌每次都可能被納入推薦考量，藉由設定較短期 間可避免收到相同的結果，系統也會計算使用者不偏好的歌曲，在推薦時完全排 除以讓推薦更精確。Smart Radio 依照時間遠近考量使用者偏好、並利用兩階段 的篩選可讓推薦結果更貼近使用者，但無論是長期或短期的考量都只著重在使用 者的音樂偏好，例如使用者偏好的音樂類型包含爵士、搖滾、及舞曲，短期的資 料顯示使用者近期都以聽爵士樂為主，因此推薦爵士樂給使用者，但使用者也許 聽爵士樂聽的膩了想換一種音樂類型、或是在不同情境下與不同人在一起時想聽

10

其他的音樂類型，因此雖然Smart Radio 有利用協同式技術擴展接觸新項目的機 會，但最後產生的推薦還是受限於使用者本身的偏好。

(3) Ticketyboo

Ticketyboo 透過與網頁結合，當使用者正在聽音樂時可連結到此歌手的表演 資訊，系統會收集使用者的音樂偏好以及使用者日曆上的情境資訊，根據偏好及 使用者的空閒時間推薦音樂會。Ticketyboo 的應用包含三個元件，感應器、情境 構造、及推薦系統，感應器偵測情境資料，包含使用者用播放軟體聆聽音樂的音 樂偏好、使用者的日曆，可察覺使用者的所在地與空閒時間、以及售票資訊，偵 測歌手的音樂會相關資訊，偵測到的資料都透過情境架構整理成有用的資訊，這 些資訊就是推薦系統的依據。系統也是採用兩階段的處理，首先選出所有使用者 喜歡的歌手相關演出資訊，接著考量個別使用者的空閒時間、地點等情境資訊以 及偏好，才產生個人化的建議。Ticketyboo 的提出說明了情境察覺的系統如何主 動地協助人們的生活，讓使用者不會因為沒時間或忘記而錯過音樂會演出，但對 於某些使用者，喜歡或常聆聽的歌手很多，或對於花錢參加音樂會不太熱中，系 統的推薦資訊是不必要且煩人的，因此可能還需要考量使用者的相關資訊，例如 使用者參加音樂會頻率、對歌手的喜愛程度等，才可以產生更精確的推薦。

(4) Emotion-based music recommendation

此系統利用分析電影配樂裡的音樂特徵與情緒的關連性，因此可以推薦情緒 音樂給使用者。主要的作業包含特徵擷取、情緒偵測、及關連發掘，為了辨別音 樂裡的情緒，選用和音、節奏與速度三項主要特徵，因此每首歌都包含情緒、和 音、節奏、與速度四項屬性，接著採用混合媒介圖(Mixed media graph)來連結音 樂情緒與特徵的關連性，依照此依據就可以推薦符合使用者要求的情緒音樂。音 樂可以用來表達不同情緒的研究在很早就被提出來，隨著音樂的情緒不同，使用 者的情緒也會受到影響，或使用者希望依照自己的心情來選擇適當的音樂，因此

11

考量轉移到使用者的主控性，在情境察覺的系統中就能自動偵測使用者心情而產 生適當的推薦結果，下一篇即是一例。

(5) Context-aware music recommendation agent

系統考量了使用者偏好以及使用者的心情狀態，藉由收集及分析情境資訊，

系統就能自動偵測到使用者的心情並推薦符合心情的音樂。要實現此目的，需要 先進行音樂及心情的分類，先透過音樂裡的特徵分析將音樂分類，再藉由音樂的 速度、安靜比率平均數(Mean of average silence ratio)及安靜比率標準差(Standard deviation of average silence ratio)分類代表不同心情的音樂，音樂的分類是為了對 照到使用者的音樂偏好，而音樂的心情分類可反應使用者的心情狀態，為了自動 偵測使用者心情，採用幾項標準包含使用者地點、時間、有沒有其他人、天氣等 來評估，只要音樂符合使用者的心情及偏好就列入推薦。系統考量的偏好代表使 用者的長期資訊、而心情屬於即時的資訊，隨時會改變，因此藉由自動偵測來捕 捉，因此推薦的準確性將是重要的決定因素，準確性要達一定標準才能突顯出系 統的價值。

將五個音樂推薦系統的資訊整理如表1，可發現目前的音樂推薦系統所考量 的使用者因素大多只有使用者的音樂偏好而已，較少將其他因素列入考量，情境 的考量也主要著重在環境因素，例如時間及地點的相關資訊。

12 Hayes, Cunningham,

Clerkin, & Grimaldi, 2002

Kuo, Chiang, Shan,

& Lee, 2005

Emotion-based music recommendation

利用音樂特徵分析

Context-aware music recommendation

agent

13

由於使用者是最重要的關鍵因素，但前面文獻裡音樂推薦系統考量的使用者 偏好因素有限，因此將影響偏好因素特別整理，依時間軸分類如表2，依據因素 變動頻率分成四類，由低至高依序為常態、長期、中期、及短期，其中常態描述 使用者的背景資料、較不易變動或有一定規律的特徵；長期因素對使用者的影響 是多年累積而成，且這種影響是潛移默化、不容易衡量的；中期因素介於長期與 短期之間，與使用者目前參與的活動或學習的事物有關，因此這種影響短則數個 月、長則一兩年；相較於中期因素，短期考量的時間更短暫、變動性更大，是一 種暫時的現象或狀態，在包含項目並列舉幾個屬於該因素的具體因子為例。

表2 影響偏好因素整理

因素 定義 變動頻率 包含項目

常態 背景資料 幾乎固定不變 性別、年齡

長期 多年累積的影響 少變動 價值觀、文化

中期 近期參與活動或興趣 偶爾改變 社團、活動、嗜好

短期 暫時性現象或狀態 變動非常頻繁 流行、娛樂、健康 資料來源：本研究整理

接著將影響偏好因素套用到文獻回顧，並考量情境對偏好影響的重要性，表 3 整理了推薦技術與文獻考量因素對照，其中將推薦技術分為三類，文獻考量因 素包括四類偏好因素及情境因素，打勾的部分代表已有文獻探討，而空白部分為 文獻回顧時並無發現的研究領域，可觀察到目前關於影響使用者偏好因素的探討 仍有限，尤其是長期因素始終被省略；在文獻已考量因素與文獻未考量因素更列 出具體的因子比較，藉由實際的對照可得知在使用者資訊的探討尚有很大的發展 空間，還有許多可能的影響因素尚未被考慮。

14