具個人化特色的智慧型點歌系統

具個人化特色的智慧型點歌系統

摘要

目 前 網 路 上 的 點 歌 (Requesting Song) 系 統，大多只能利用新進歌曲點歌或熱門點唱排 行榜等方式提供使用者點選，來加速使用者找 到自己所要的歌曲。使用者必須依自己的經 驗，透過歌曲編號、關鍵字搜尋等進行資訊的 篩選。這些經驗如果能夠累積在點歌的系統 中，將能夠大大的提升使用的方便性。因此，

本研究運用資訊擷取(Information Retrieval)的 方法，從使用者過去的點歌經驗找出使用者的 興趣傾向，並依此提供使用者個人化的推薦歌 曲。

本研究結合模糊推論(Fuzzy Inference)所 建置的知識庫(Knowledge Base)，將不同的特 徵類別以模糊法則的方式呈現出來，每一個特 徵類別會對應到一個模糊法則，因此，從過去 的點歌紀錄中，當某一個使用者在某些特徵類 別上有特殊傾向時，該模糊法則就會被觸發而 形成推薦的依據。最後，我們透過隱性回饋的 方式來加強知識庫媒合的精確度，除了可以使 系統更有效率外，並可以從經驗中學習，以提 供不同興趣傾向的使用者的適性化推薦系統 (Adapted Recommendation System)。

關鍵詞：點歌，資訊擷取，模糊推論，知識庫，

適性化推薦系統。

Abstract

Most of the requesting song system over the networks could only use the listing of new songs or the billboard of the hot requesting songs to speed up the requesting time. The users could only use the keywords or I.D. numbers of the songs to request their interested songs by their experiences. It will be more convenient for the users if these experiences can be accumulated in the requesting song system. Thus, we attempt to apply the method of information retrieval to

find the trends of requesting song from their requesting records so as to provide the personalized recommendation.

In our research, the fuzzy inference rules are combined to establish the knowledge base. The various attributive classes are represented as fuzzy inference rules. So, the fuzzy rule will be triggered while the user had the inclination of the corresponding attributive class in his previous requesting records. Finally, the recommendation is accepted by user or not will be feedback to the system to enhance the accuracy of the recommendation. Thus, we offer an adapted recommendation system for the variety of trends of the users.

Keywords: Requesting Song, Information Retrieval, Knowledge Base, Fuzzy Inference, Adaptation Recommendation System.

1. 簡介

創新的科技，讓生活數位化一蹴可幾。日 本 Pansonic 公司預測，台灣非營業場所 KTV 的每年產值至少達 52 億台幣[15]。目前使用者 已經可以利用電腦連結網際網路進行線上點 歌(Requesting Song)歡唱；數位家電以及寬頻 的日益普及，使得使用者可以透過數位電視 (IP-TV)結合網路與影音(A/V)，利用視頻點播 的方式進行線上點歌，這種線上影音卡拉 OK 的服務，讓使用者可以隨時隨地進行線上歡 唱。

這些都要歸功於線上點歌系統的發展，例 如︰劉鎮華(1994)提出一個有別於傳統 KTV 系統的新架構，以影音詞三者分離的方式來減 少所需的磁碟容量，解決不同媒體播放的同步 問題；林永財(2004)探討 KTV 電腦點歌螢幕操 作 介 面 使 用 性 ； 林 婉 琪 (2005) 應 用 phase vocoder 實現卡拉 OK 伴唱機音效以虛擬重低 音合成，以數位訊號處理的技巧來實現諸音 效；陳孜彬(1998)以聲音查詢歌曲資料庫「以

陳榮昌 黃麗美

朝陽科技大學 資訊管理系 副教授

朝陽科技大學 資訊管理系 研究生

rcchen@mail.cyut.edu.tw s9354617@mail.cyut.edu.tw

歌選歌」讓使用者用唱或哼一段歌曲的旋律，

而將這個歌曲從資料庫中選取出來；張道宇 (2005)探討線上卡拉 OK 消費者再惠顧意願。

這些不管是在硬體或軟體的研究都讓線上點 歌的發展日趨進步。

線上系統的發展，除了可以讓使用者可以 隨時隨地使用外，更可以提供各種快速的查詢 及經驗的累積。然而，目前已存在的線上點歌 系統(例如︰超級點歌王、iKala、…等線上服 務業者)，大多只能提供關鍵字及歌曲編號等查 詢，頂多再加上「新進歌曲點歌」、「排行榜點 歌」等推薦方式來加快使用者的找尋時間，但 這些功能並沒有考慮到使用者個別化的興趣 差異，無法有效的提供使用者個人化的推薦。

在過去的研究中，我們曾經運用協同過濾 的方法來進行推薦[5]。然而，為了適應多樣性 的使用者群，例如興趣傾向穩定的使用者適合 用 協 同 推 薦 、 較 無 主 見 的 使 用 者 可 能 適 合 TOP-N 熱門點歌的推薦、對新歌曲接受度高的 使用者可能較需要新進歌曲的點歌推薦等。因 此，在本文中，我們將探討如何利用專家系統 的概念，將使用者過去的點歌經驗累積於知識 庫中，利用模糊推論(Fuzzy Inference)的方式，

推導出適合使用者的推薦方式，並為使用者作 有 效 的 個 人 化 推 薦 (Personalized Recommendation)。

在下面的文章中，我們將先提出整個系統 的推薦流程，然後解釋知識庫的運作方式及使 用者檔案的內容，接著討論隱性回饋與評比，

最後是結論與未來的研究。

2. 研究方法

2.1 推薦流程

如圖 1，會員基本資料與過去的點歌紀錄會 紀錄在使用者輪廓檔(Membership DB)與歷史 點歌記錄檔(Transaction DB)中。系統從這兩個 資料檔找出每個使用者的點歌興趣傾向，並記 錄在使用者資訊檔(User Information DB)中。所 以透過我們記錄的資料，每個使用者一登入系 統，系統即從知識庫中比對每個使用者對於每 條規則的可應用度，找出超過門檻值的規則 後，再依模糊理論中的隸屬程度值，分別找出 符合該規則的歌曲，集合而成推薦清單，即可 依會員特質進行智慧型的個人化推薦。

圖 1 知識庫推薦流程

圖 2 點歌清單

因此，使用者的點歌清單中，除透過使用 者的傳統被動式尋找方法外(如︰新進歌曲、歌 星點歌…等)，尚包含由協同過濾機制萃取出的 主動式推薦清單[5]，以及本研究加入的知識庫 推薦歌曲(如圖 2)。

2.2 知識庫運作

專家系統的推論技術，通常劃分為規則式 推論方式(Rule-Based Reasoning)案例式推論方 式(Case-Based Reasoning)。規則庫中存放用於 推導事實之規則，案例庫中儲存以往案例領域 的知識，並運用案例式的推論方式，以作為整 個專家系統的核心機制。最常使用的規則式推

論動作為 If-Then 之方式，其主要將人類知識 描 述 為 條 列 式 的 推 論 規 則 以 供 推 論 機 制 使 用。本研究亦使用 Sugeno 規則式推論方式，

以完成知識庫之建置。

我們提供歌曲點播的知識專家一個輸入知 識的平台，透過提供的平台可以運用專家輸入 的知識進行知識庫的推薦。舉例而言，若某一 個會員的習慣為點選新進歌曲，於是當他下次 登入系統時，我們便直接推薦新進歌曲以供他 參考。依此類推，們首先歸納彙整出表 1 的 5 條規則來說明知識庫運行的過程。

表 1 知識庫所建規則

序 規則 隸屬函數

1 if New_Song_is_prefer, then add New_Song to recommend list. 圖 3 2 if New_song_billboard_is_prefer, then add New_song_billboard to

recommend list.

圖 4

3 if Hot_To_Request_Tune_The_Billboard_is_prefer, then add Hot_To_Request_Tune_The_Billboard to recommend list

圖 5

4 if Collaborative_Filtering_is_prefer, then add Collaborative_Filtering to recommend list.

圖 6

5 if A_Song_Is_Hot_To_Request_is_prefer, then add A_Song_Is_Hot_To_Request to recommend list.

圖 7

假設目前有以上的 5 條規則存在於我們的 知識庫，我們在使用者資訊檔中記錄會員對於 這些規則的可應用程度，並透過比對後進行推 薦，每個使用者依其特性將給予不同的推薦。

首先，必須確認使用者適合上述哪條規則，並 依其可以被應用(Apply)的程度，分別找出該規 則(Rule)的隸屬程度，再從該規則中，取出適 當的歌曲比重，以形成我們的知識庫推薦清 單 。 我 們 將 上 述 的 規 則 利 用 隸 屬 函 數 (Membership function)來表示，如下所示︰

z 規則 1 的隸屬函數︰New_Song is prefer

圖 3 規則 1 的隸屬函數

z 規則 2 的隸屬函數︰New_Song_Billboard is prefer

圖 4 規則 2 的隸屬函數

z 規 則 3 的 隸 屬 函 數 ︰ Hot_To_Request_Tune_The_Billboard is prefer

圖 5 規則 3 的隸屬函數

z 規 則 4 的 隸 屬 函 數 ︰ Collaborative_Filtering is prefer

圖 6 規則 4 的隸屬函數

z 規 則 5 的 隸 屬 函 數 ︰ A_Song_Is_Hot_To_Request

圖 7 規則 5 的隸屬函數

∑

j

圖 8 知識庫推薦形成

我們利用模糊理論的方法分別為每個會員 對應找出規則庫中的隸屬程度值。找出通過門 檻值的規則可應用度，並分別依該規則中的可 應用度找出推薦的歌曲曲目，假設會員 M1可 能從 Rule 1、Rule 2 分別找出五首歌曲來推 薦；對會員 M2來講，可能從 Rule 3、Rule 4、

Rule 5 各找出三首、四首、一首歌曲來推薦。

不同的會員由於興趣不同，將得到不同的知識 庫推薦清單。舉例而言，圖 8 的推薦清單便由 Rule 2 的三首歌，以及 Rule 1、Rule 3 中各一 首歌所組成。

假設有 n 個規則，那麼規則 R = ( R1 , R2 , … , Rn) 。每一個規則 Ri的可應用度αi為 0 到 1 之間的一個隸屬程度值。

因此 Ri∈ [0,1]，且 0≦i≦n。

如果我們要找出會員 M1對於每條規則的 隸屬程度值，則我們可依上列圖 3 到圖 7 中每 條 規 則 的 點 選 率 去 找 出 隸 屬 函 數 相 對 應 的 αi。那麼，我們就可以得到會員 M1對各條規 則的可應用度α= (α1 ,α2 , …,αn )。

表 2 使用者資訊檔中 M1的記錄 Member\Rule R1 R2 R3 R4 R5

M1 20 50 10 0 20 我們指定會員 M1在規則 Ri裡的隸屬程度 為αi。以表 2 會員 M1在使用者資訊檔中所記 錄的資料為例，對於每條規則的可應用度可以 分別算出，我們算出會員 M1 在規則 R1的可應 用度為α1=20% ，在規則 R2 的可應用度為 α2=50%，在規則 R3的可應用度為α3=10%，

在規則 R 的可應用度為α =0%，在規則 R 的

可應用度為α₅=20%。因此，我們可以得到如 下 的 可 應 用 度 表 。 假 設 可 應 用 度 門 檻 值 為 20%，那麼未超過門檻值的可應用度都將視為 0。因此，以表 2 的例子來說，R1及 R2及 R5

會被執行到。

表 3 知識庫規則的可應用度 Rule 可應用度

R1 20%

R2 50%

R3 10%

R4 0%

R5 20%

那麼當知識庫要推薦 s 首歌時，某一規則 Ri可推薦的歌有

ri = s * (αi / α_j)

我們要利用知識庫找出對會員 M1的推薦 歌曲，假設 s = 10，我們以表 2 會員 M1在使用 者資訊檔中所記錄的資料為例，R1及 R2及 R5

會被執行到。則

對規則 1 的推薦歌曲為︰

r1 = 10 * 20 % / (20% + 50 % + 20%) = 2 首，以 及

對規則 2 的推薦歌曲為︰

r2 = 10 * 50 % / (20% + 50 % + 20%) = 6 首，以 及

對規則 5 的推薦歌曲為︰

r5 = 10 * 20 % / (20% + 50 % + 20%) = 2 首。

2.3 使用者資訊檔(User Information DB)

圖 9 知識庫推薦系統流程

由於部份知識具有難以格式化的特性，使 得知識庫在知識表達上面臨更多的困難。我們 利用點選率來了解會員的興趣傾向，會員登入 系統進行線上點歌歡唱，藉由過去的歷史點歌 記錄彙整來找出會員的喜好。在會員基本資料 (Membership DB)中，記錄使用者輪廓的資訊；

在歷史點歌資料(Transaction DB)中，記錄使用 者過去的點歌交易資訊，這些都是可以進行量 化的資料，資料透過量化及轉換後將記錄於使 用者資訊檔(User Information DB)中。

因此，在使用者資訊檔中記錄轉換後的使 用者的點歌歷史資訊，以及使用者的點歌回饋 資訊，與知識庫中的規則比對，待推薦時再依 據規則的可應用度進行規則的擷取。就像找出 同好名單記錄在使用者資訊檔中[5]，再依同好 的點歌興趣進行協同過濾的推薦；同樣地，將 我們對知識庫中的每條規則回饋評比的評分 也記錄在使用者資訊檔中，當使用者一登入我 們 便 可 進 行 比 對 ， 從 中 找 出 符 合 該 會 員 的 Rule，並且根據 Rule 裡的歌曲進行推薦。

因此，在使用者資訊檔(User Information DB)中，包括了由協同過濾推薦[5]找出來的同 好名單，以及對於知識庫中每條規則的評分資 訊，如下表 4。藉由找出規則的可應用度之後，

再找出該規則的歌曲，在這裡，我們是找出符 合該規則後的 TOP-N 來取得符合的歌曲做推 薦。

表 4 使用者資訊檔(User Information DB)

會 員

同好名單 R1 R2 R3 R4 R5

M1 M2, M16, M23,

M85, M91

20 50 10 0 20 M2 M1, M13, M19 10 80 0 10 0 M3 M15, M18, M20,

M33

30 50 20 15 30

2.4 隱性回饋

我們透過使用者的點歌來做回饋與評比，

持續不斷的修正系統參數。使用者透過每次的 點歌即為一次回饋。根據每一次的點歌回饋，

不管是使用者主動搜尋歌曲還是透過我們的 推薦來點歌，將這些分數累積到使用者資訊檔 中。如此不斷地回饋資訊將可修正我們的參數 愈趨正確，而且對於興趣改變的使用者可以獲 得正確的推薦，透過知識庫形成的推薦將愈來 愈精確。

在我們的系統中有二種回饋機制，以符合 多變的使用者群的個性，形成適性化的推薦。

使用者點選回饋的方式有二種︰

圖 10 回饋機制

1.回饋機制一︰使用者主動點選

透過使用者主動點歌，例如利用新進歌曲 點歌後再選擇想要點唱的新進歌曲。這種回饋 對於符合的規則來講也是一種計分的回饋。我 們必須把此記錄也記錄到使用者資訊檔中。例 如利用新進歌曲點歌，可以對應到我們的規則 1, if New song is prefer, then add new_song to recommend list，就可以把規則 1 增加一分，那 麼使用者資訊檔內的資料將從未尚回饋的表 5 轉換成透過主點點選後的表 6。

表 5 尚未回饋前的使用者資訊檔中 M1

的記錄

Member\Rule R1 R2 R3 R4 R5

M1 20 50 10 0 20

表 6 透過使用者主動點選後 M1在使用 者資訊檔的記錄

Member\Rule R1 R2 R3 R4 R5

M1 21 50 10 0 20

2.回饋機制二︰使用者接受推薦點選

使用者接受知識庫的推薦點選歌曲。在這 裡我們計算評分回饋機制加入點唱次權重值 的計算。

由於使用者可能每次上線點歌都相同，或 者針對同一首歌重複點唱，因此我們將點歌次 數納入權重計算。假設系統對某會員的推薦清 單如下圖所示，一共有 10 首歌曲，符合 Rule 1 中的歌曲有 3 首，符合 Rule 2 的歌曲有 2 首，

符合 Rule 4 的歌曲有 5 首。以點唱 10 次來講，

歌曲 11、22、42、45、47、48 分別被點唱過一 次或數次，因此，我們將點選次數回饋到使用 者資訊檔中。

圖 11 使用者接受推薦點選的回饋機制 舉例來說，假設 weight = 10，在規則 1 中，

點唱過 11，表示透過規則 1 推薦的有三首，使 用者點唱這三首中的一首，並且唱了 5 次，那 麼將歌曲數目 * 權重 * 演唱次數 * 規則 1 在全部歌曲 10 首中占了 3 首，因此相乘的結

果即回饋 15 分給規則 1。

以 Rule 1 來講，1 首 * weight *演唱 5 次*

3/10 = 15，系統針對 Rule 1 即回饋 15 分。

以 Rule 2 來講，1 首* weight *演唱 1 次*

2/10 = 2，系統針對 Rule 2 即回饋 2 分。

以 Rule 4 來講，4 首 * weight *演唱 4 次*

5/10 = 20，系統針對 Rule 4 即回饋 20 分。

在使用者資訊檔中的記錄，將由表 5 變成 表 7。即，由 R1由 20 分增加 15 分為 35 分；

R2由 50 分增加 2 分為 52 分；R3 不改變計分；

R4由 0 分增加 20 分為 20 分；R5 不改變計分。

新的使用者資訊檔如下表 7 所示。

表 7 透過知識庫推薦點歌後 M1在使用者 資訊檔的記錄

Member\Rule R1 R2 R3 R4 R5

M1 35 52 10 20 20 假設某首歌曲在 R1以及 R2的推薦清單中 都有出現，則將同時對 R1以及 R2回饋計分。

2.5 隱性評比

當使用者點選的歌曲是透過我們的知識 庫運作出來的推薦清單時，對我們來說即是做 了正確有給分的評比；當使用者點選的歌曲不 在我們推薦的清單內，則不予計分。意即，如 果 10 次點歌中，有 6 次是透過我們的推薦清 單點歌，對我們來講即是有 60%的正確率。

3. 結論與未來研究方向

本研究利用模糊理論將使用者過去的點歌 經驗融入知識庫中，提供了一個線上點歌的推 薦平台。我們對於每個會員分別找出有特殊傾 向的規則，並依此用來形成推薦的依據。透過 點選歌曲進行隱性回饋，依點選回饋的歌曲計 算分數後，再次形成下次的推薦清單。因此這 個系統是可以適應興趣多變化的使用者的適 性化推薦系統。

在未來研究中，我們將取得「超級點歌王」

的線上資料來分析並實作一雛型系統。我們將 實際與專家學者、相關業者及使用者共同研 究，找出一些可行的法則以充實知識庫的模糊 法則而成為真正具個人化特色的智慧型點歌 系統。

參考文獻

[1] 戴偉勝，”以知識庫為基礎的個人化資訊推 薦系統之研究”，大葉大學資訊管理系碩士 論文，2001。

[2] 鍾政憲，”以代理人社群為基礎的主動式知 識服務推薦系統之研究”，大葉大學資訊管 理學系碩士論文，2003。

[3] 劉鎮華，”多媒體資料庫在點歌系統及 KTV 系統之應用”，國立中山大學資訊工程研究 所碩士論文，1994 年。

[4] 超級點歌王，www.supermbox.com.tw [5] 陳榮昌、黃麗美，” 應用協同過濾推薦方法

於線上點歌系統”，2006台灣商管與資訊研 討會，2006。

[6] 郭素蜜，”虛擬企業協同商務之知識分享控 制機制之研究”，南華大學資訊管理學系碩 士論文，2005 年。

[7] 郭時雄，“應用軟體代理人於一對一行銷之 研究”，國立臺北大學企業管理學系碩士論 文，2004 年。

[8] 陳孜彬，”以聲音查詢歌曲資料庫”，國立清 華大學資訊工程學系，1998 年。

[9] 張道宇，”線上卡拉 OK 消費者再惠顧意願之 研究─以 Kara24H 為例”，國立交通大學管 理學院碩士在職專班資訊管理組，2005。

[10] 范雅慧，”透過知識擷取與管理達成顧客 關係管理之行銷策略應用”，朝陽科技大學 資訊管理研究所碩士論文，2003 年。

[11] 林婉琪，”應用 phase vocoder 實現卡拉 OK 伴唱機音效以虛擬重低音合成”，國立交 通大學機械工程系所，2005 年。

[12] 林朝興，唐瑩荃，以顧客價值分析與權重 漸 進 探 勘 來 進 行 協 力 式 音 樂 推 薦 ” ， Journal of Information, Technology and Society 2006(1) pp. 1-26。

[13] 林永財，”KTV 電腦點歌螢幕操作介面使 用性之研究”，大同大學工業設計研究所碩 士論文，2004 年。

[14] 汪軒楷，”策略式資料探勘在個人化推薦 上之研究”，真理大學管理科學研究所碩士 論文，2002。

[15] 何佩 琪， “張澤 銘的 iKala”， Intelligent times 12/2006，pp. 24-27。

[16] 向殿政男，Fuzzy 手法進階，中國生產力 中心，1993。

[17] 江培庄，模糊集合論及其應用，中國生產 力中心 Fuzzy 小組，1990。

[18] Fayyad , Gregory Piatetsky-Shapiro , Padhraic Smyth , “The KDD Process for Extracting Useful Knowledge from Volumes of Data“, COMMUNICATIONS OF THE ACM. Vol. 39, No. 11, pp. 27-34,1996.