音樂推薦系統（Music recommendation system）的發展，目前多採用 音樂特徵擷取來分類及管理音樂，紀錄使用者輸入的關鍵詞，接著與音 樂歌曲內容進行匹配分析，再推薦給使用者符合的音樂歌曲（Steffen &
Sander, 2005）。而音樂內容所指的屬性特徵有曲風、音調及樂器等多種，
也有研究是依據音樂的音高（Pitch）、和弦（Chord）、旋律（Melody）及 音質（Timbre）與音量（Loudness）屬性等來做為音樂特徵分類參考，一 般加入愈多屬性特徵值所產生的推薦結果也較精確（Chen & Chen,
2001；Tzanetakis & Cook, 2002；Kuo & Shan, 2002）。
而在音樂內容屬性的相關研究中，有學者結合了協同合作式與內容導 向式推薦系統的特性發展出一套混合式音樂推薦系統，來協助使用者從 大量的音樂產品資訊中找出想要的產品。其研究主要做法為先利用協同 合作式的推薦機制，在使用者進入系統選購音樂產品時，系統會根據目 標使用者過去的交易記錄中，挑選出與音樂產品有相關的產品記錄，並
TOP-N 的產品清單來做為提供使用者購買參考，而若使用者不接受協同 合作式所推薦出的產品，則可以在利用內容導向式推薦機制，由使用者 輸入其偏好的產品內容屬性來進一步篩選協同合作式所推薦出的音樂產 品（李來錫、黃文益，2008）。
此外，音樂推薦系統相關研究當中，也曾有學者提出主要藉由歌詞特 徵來作為分析依據，並藉此方式找到相同喜好的使用者組群（Daniel &
Sally, 2007）。而也有學者則藉由取得每個使用者輪廓檔中之個人興趣喜 好後，再結合電子 RSS 的資訊新聞快報，擷取出使用者內相關的偏好資 訊，例如喜愛的歌手與歌曲名稱、音樂類型等，做為系統主要之過濾機 制，藉此方式可由電子資訊新聞（RSS）適時取得較新的音樂歌曲或歌手 相關資訊來做為未來推薦清單（Oscar et al., 2005）。North, Hargreaves &
Hargreaves（2004）研究中則是嘗試研究音樂在日常生活中所扮演的角 色，並分析與音樂相關的情境狀態，研究主要之結果顯示使用者會依照 不同原因來選擇不同的音樂類型。
在音樂推薦系統領域，許多學者在研究中相繼發現許多問題，也提出 其相關解決方法與機制，來增加音樂推薦的準確率與效率。下列將針對 音樂推薦系統相關之研究分別介紹與說明。
（一） MusicFX 音樂推薦系統
其主要目的為提供並撥放一個群體內所喜好之音樂，研究則指出在
工作環境當中，不同時間區段內會有不同的人在一起工作，此系統可依 據在同一時間區段中工作的人，所提出的音樂喜好來選擇撥放的音樂種 類，而每個人都可對音樂的喜好程度做加總，總分最高即為最受喜愛的 音樂。系統也為了避免總分較低的音樂都不被撥放，採用了相關的參數 設定，可讓系統不只是撥放總分高的音樂（McCarthy & Anagnost, 1998）。
（二） Firefly 音樂推薦系統
此 系 統 則 具 有 自 動 化 協 同 合 作 式 篩 選 （ Automated collaborative
filtering）機制，依據產品評比分數將相同偏好之使用者做分群動作，在 將同一群組中其他使用者所購買過的紀錄做為推薦基礎。而系統特殊的 地方不是依據產品及項目來進行推薦，而是採用「口碑」特殊的方式來 推薦給使用者（Maes, 1999）。
（三） Smart Radio 音樂推薦系統
該系統主要提供了網路平台讓使用者管理及建立個人化的音樂播放 清單，此系統結合協同合作式與內容導向式推薦技術來產生推薦並與其 他使用者分享，主要以記錄使用者的音樂偏好及對聽過音樂所給的評 比，首先利用協同合作式推薦技術篩選出使用者可能偏好的音樂，進而 篩選掉不符合之音樂，依照推薦內容的優先順序呈現。另一個方式則是 使用者可自行決定對新音樂的接受程度，程度愈高代表希望收到推薦新 音樂的程度愈高。此外，系統也會計算使用者不偏好的歌曲，在推薦音
樂 時 完 全 排 除 讓 推 薦 結 果 更 加 精 準 （ Hayes, Cunningham, Clerkin &
Grimaldi, 2002）。
（四） Context-Aware 音樂推薦系統
學者 Guan, Li, Lee & Lee（2006）則提出此音樂推薦系統，主要運用 音樂特徵分析將音樂先進行分類，再計算音樂內特徵的平均數及標準 差，藉此分類代表不同心情的音樂，再藉由考量分析使用者偏好與使用 者心情狀態，並透過自動偵測使用者心情讓系統推薦出符合的音樂。自 動偵測方面則使用時間地點、天氣及是否有其他人等來做為評估標準。
（五） Ticketyboo 音樂推薦系統
Ticketyboo 系統則透過與網頁系統結合，可在使用者聆聽歌曲音樂 時，連結到歌手的表演相關資訊，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，並根據偏好及使用者的空閒時間來推薦音樂會 給使用者。研究中主要之應用包含三個元件，感應裝置、情境結構及推 薦系統。感應裝置偵測情境資料，包含使用者的音樂偏好、時間日曆，
並且分析使用者所在地與相關空閒時間及歌手音樂會相關資訊，所偵測 到的資料都透過情境結構整理成完整有用的資訊，進一步產生個人化的 建議推薦給使用者（Coyle et al., 2006）。
（六） CA-MRS 音樂推薦系統
CA-MRS 為一套以觀察使用者情境的音樂推薦系統，可藉由所設立
的感應裝置及網路中所收集的資訊，動態的分析使用者的音樂偏好，研 究中利用模糊貝氏網路（Fuzzy bayesian network）將所收集之資訊整理成 情境後，分析考量使用者在不同情境下的偏好，隨即主動推薦出音樂，
和音、節奏、與速度四項特徵屬性，系統採用混合媒介圖（Mixed media
graph）來處理音樂情緒與特徵之間的關聯程度，依照此方式就推薦符合 使用者需求的情緒音樂（Shan, Kuo, Chiang & Lee, 2009）。
經由上述學者們所提出的音樂推薦系統之研究，本研究在將此七個 音樂推薦系統相關研究內容及主要目的歸納整理如表 2-2 所示。
表 2-2. 音樂推薦系統相關研究之比較
作者（年代） 系統名稱 主要目的 推薦依據
McCarthy &
Anagnost（1998）
表 2-2. 音樂推薦系統相關研究之比較（續）
作者（年代） 系統名稱 主要目的 推薦依據
Maes（1999） Firefly
透過自動化協同合
Smart Radio
提供網路平台 氏網路（Fuzzy bayesian
network）中所收集的 資訊來動態分析使用者
的音樂偏好
表 2-2. 音樂推薦系統相關研究之比較（續）
作者（年代） 系統名稱 主要目的 推薦依據
Shan, Kuo, Chiang & Lee
（2009）
media graph）
音樂推薦系統根據目前研究技術發展，已有許多機制實際應用於網
Pandora Radio 致力於音樂推薦機制的研究，將音樂做最全方位的 分析，為典型的內容導向式音樂推薦系統，此推薦系統則藉由歌曲本 身所擷取出的音樂特徵值來做為主要內容判斷依據，讓使用者自行選 擇喜好的音樂類型，內容包括歌手與專輯名稱、節奏、配樂、歌詞內 容等，將具有相似特徵的音樂，依序推薦給目標使用者並且產生專屬 的音樂播放清單。
圖 2-3. Pandora internet radio（資料來源：http://www.pandora.com/）
2. iLike（線上音樂網路平台）
iLike 則屬於線上協同合作式音樂推薦系統，網路平台主要提供 免費音樂試聽及購買下載。 iLike 則把「發現新的音樂」視為最主要 之功能，使用者可自行在歌手相關資料庫中選擇自己喜愛或有興趣的 歌手，通過使用者的選擇，音樂推薦系統能主動幫助使用者找出有相 關聯喜好及興趣的其他使用者，進而實現具有相同喜好興趣的音樂社 群（Social network service）。
而當使用者擁有專屬於自己的音樂社群之後， iLike 就能幫助使 用者在線上收聽音樂時，尋找到最新的音樂，並且於好友們之間分享 彼此收聽的音樂內容。
圖 2-4. iLike.com（資料來源：http://www.ilike.com/）
3. Last.fm（線上音樂網路平台）
Last.fm 則與 iLike 採用相同推薦方式，都屬於線上協同合作式音樂 推薦系統。兩個網路平台主要推薦方式之差異在於所使用的分群方式，
在 Last.fm 不需透過使用者本身主動建立自己的喜好與興趣，如要求輸 入喜好歌手名稱與歌曲等等相關資訊。
而主要透過使用者本身自己所點播過的音樂，系統將主動依照所點 播過的音樂資訊內容來計算出使用者彼此之間的相似程度，藉由此方式 就可找出具有相同喜好興趣的群別以作出推薦動作。 Last.fm 採用此方 式的優點則是可以避免某些使用者不願意提供輸入資料，造成音樂推薦 系統沒有使用者的偏好或興趣來產生推薦。
圖 2-5. Last.fm（資料來源：http://www.last.fm/）
4. CDNOW（線上音樂產品平台）
CDNOW 所提供的音樂商品完整豐富且多樣齊全，其採用內容導向 式音樂推薦，主要可藉由使用者所查詢商品資訊，來推薦相關音樂資訊，
並且還提供使用者本身自行建立喜好評分來產生推薦，給予回饋資訊。
圖 2-6. CDNOW.com（資料來源：http://www.cdnow.com/）
5. KKBOX（線上音樂網路平台）
KKBOX 為國內所發展的音樂網際網路服務，此服務更有自行開發 的音樂瀏覽器軟體，為國內首創合法串流模式的線上音樂服務。其採用 的推薦機制為內容導向式音樂推薦。推薦依據則是使用者可自行選擇喜 好的風格、歌手來進行推薦，更可透過建立歌單之方式，如最新流行、
懷舊老歌、心碎療傷等，來推薦出音樂。
圖 2-7. KKBOX.com（資料來源：http://tw.kkbox.com/）
現今音樂推薦系統多以簡單的音樂特徵擷取、評比分數加總、情緒 及情境狀態作為考量分析的因素，較少將其他因素列入，雖可滿足大部 分使用者之喜好，但在個人化的音樂推薦仍有其他重要性的因素需加入 考量。故本研究進一步將模糊語意法加入至個人化的音樂推薦機制中，