2. BGM Pampalk [2] ( 1 ) s s s a ( 2 ) s a > s s s a ( 3 ) s a > s s sa s s UniversalPlaylist [3] Yes No BGM BGM LISWO [4] LISWO Support V

Size: px

Start display at page:

Download "2. BGM Pampalk [2] ( 1 ) s s s a ( 2 ) s a > s s s a ( 3 ) s a > s s sa s s UniversalPlaylist [3] Yes No BGM BGM LISWO [4] LISWO Support V"

まいかさかわ
6 years ago
Views:

1 BGM 1,a) 2 2 BGM BGM BGM Label Spreading 1. BGM BGM *1 BGM 14 *2 Lonsdale 189 [1] 75.7% BGM BGM BGM BGM 1 1 College of Information Science, University of Tsukuba 2 National Institute of Advanced Industrial Science and Technology (AIST) a) hiromu@coins.tsukuba.ac.jp *1 * ,439 jp/tag/%e4%bd%9c%e6%a5%ad%e7%94%a8bgm 1 BGM 1

2 2. BGM Pampalk [2] ( 1 ) s s s a ( 2 ) s a > s s s a ( 3 ) s a > s s sa s s UniversalPlaylist [3] Yes No BGM BGM LISWO [4] LISWO Support Vector Regression 2.3 concentration [5 7] [5] [7] interruptibility [8 11] Fogarty [9] Züger [10] [11] Fogarty [9] Züger [10] % 32.5% [11] % Fogarty Züger 2 Züger confusion matrix 71.1% 58.4% 78.6% [7] [11] 3. BGM 1 BGM Huang [12] like very much like feel passably dislikedislike very much 5 Huang 2

3 BGM [13] BGM BGM Pampalk [2] Pampalk 2 2 A 3 2 B [14] 30 [14] Walkman *3 Songrium [15] [16,17] [7] *3 feature_4.html\#l1_170 3

4 2 A 2 B 3 C C HTTP/HTTPS Web 3 n-gram n-gram [18 21] Rieck [19] Windows API n-gram 3 [11] Firefox Web Skype PC Web 2 Google GET Web Twitter POST SNS Web 2 Crammer Adaptive Regularization of Weight Vectors AROW [22] AROW [21] 4.3 BGM Label Spreading Label Spreading [23] 3 Label Spreading Shao [24] Label Propagation [25] Label Spreading Label Propagation Wang [26] 4

5 2 Web n-gram key Google Chrome a key [] [ ] Google Chrome a key Microsoft Excel <[Ctrl: v]> Microsoft Excel Ctrl+v mouse Firefox 1 mouse [] [ ] Firefox / / 1 7 mouse Skype 4 Skype net GET HTTP/HTTPS net [] [ ] GET Web GET POST net POST twitter.com twitter.com POST Label Spreading Step 1) Step 2 Zhou [23] k- SVM Wells [27] % 4 ( 1 ) 2 ( 2 ) 3 ( a ) 5

情報処理学会研究報告図 6 作業用 BGM 推薦システムの構成左上部の再生制御モジュールがインタフェース図 5 を担い他の 3 つのモジュールがバックグラウンドで動作するが誤り訂正を行ったより精度の高いサビ区間情報を利用できる可能性があるという点が挙げられるまた行動ログ収集モジュールではキーボードマウス図 5 作業用 BGM 推薦システムのインタフェース上部の

6 情報処理学会研究報告図 6 作業用 BGM 推薦システムの構成左上部の再生制御モジュールがインタフェース図 5 を担い他の 3 つのモジュールがバックグラウンドで動作するが誤り訂正を行ったより精度の高いサビ区間情報を利用できる可能性があるという点が挙げられるまた行動ログ収集モジュールではキーボードマウス図 5 作業用 BGM 推薦システムのインタフェース上部の Songle への入力と Web 通信の記録を行うキーボードマウスへ Widget によって楽曲を再生し下部のスキップもっとの入力については selfspy*4 によりアクティブなアプリ聴くボタンによってフィードバックを取得するケーション名と共に記録し Web 通信は mitmproxy*5 を用いてリクエストごとのメソッドとホスト名を記録するいという優先順位で選択する集中度推定モジュールと楽曲推薦モジュールは機械学 ( b ) 直前の楽曲を再生中集中度が高いと推定された習に基づく 2 つのモジュールである前者は行動ログか場合は楽曲群候補から直前に再生した 1 曲とらの集中度の推定を行うもので機械学習フレームワーの類似度が最大となるものを推薦するク Jubatus*6 を利用した後者はユーザによるフィード ( c ) 直前の楽曲を再生中集中度が低いと推定されたバックや集中度から楽曲推薦を行うもので機械学習ライ場合は楽曲群候補から直前に再生した 2 曲とブラリ scikit-learn*7 による Label Spreading の実装を用いの類似度の和が最小となるものを推薦するたまた Songle Widget から通信できるようにするためここで集中度が低かった場合に直前に再生した 1 曲 Tornado*8 を用いて WebSocket サーバ上に実装したとの類似度のみを最小化すると 2 つのジャンルを交互に行き来するような選択を繰り返してしまう可能性があるため直前に再生した 1 曲との類似度ではなく 2 曲まで考慮して楽曲を選択することとした 5. 実装本章ではこれまで述べた手法を実現する作業用 BGM プライバシへの配慮として行動ログはすべてハッシュ化した上で保存し通信はすべて暗号化した 6. 評価本章では集中度の推定精度フィードバック手法の妥当性及び推薦結果の妥当性の 3 つの項目について評価方法とその結果を述べる推薦システムの実装について述べるユーザインタフェースを図 5 に示す Songle Widget に 6.1 対象楽曲と音響特徴量の算出よる楽曲再生画面に加え一時停止と 4.1 節で述べたスキップもっと聴くの 3 種類のボタンそして音量調節バーを持つ対象とした楽曲はニコニコ動画において VOCALOID タグを付与されている楽曲のうち再生数が上位の 50 曲 6.5 節のみ 200 曲としたここで VOCALOID 楽曲を利システムの構成は図 6 に示すように再生制御行用したのは Songle 上に多くの楽曲が登録されておりユー動ログ収集集中度推定楽曲推薦の 4 つのモジュールをザによる訂正を経たサビ区間情報が得やすいことと様々な持つ中心となるのが再生制御モジュールで他の 3 ジャンルの楽曲が CGM Consumer Generated Media 的つと連携して得られた推薦楽曲を埋め込みブラウザ内 *4 で動作する Songle Widget [28] を用いて再生する Songle *5 Widget を用いる利点としてはサビ区間に基づく再生制御が容易であるということに加え Songle [29] 内でユーザ 2016 Information Processing Society of Japan *6 *7 *

7 [30,31] VOCALOID VOCALOID *9 Songrium [15] MARSYAS [32] 35 1 3 6.2 10 20 5 5 7 2-2 Likert 6.3 5-fold cross validation 5 35.2% 2 69.6% confusion matrix 3 4 2 Züger [10] 2 71.1% [9] 78.

7 7 [30,31] VOCALOID VOCALOID *9 Songrium [15] MARSYAS [32] Likert fold cross validation % % confusion matrix Züger [10] % [9] 78.6% [10] * Wiki %A3%E3%81%AE%E3%82%BF%E3%82%B0%E4%B8%80%E8%A6%A , ,1 0-1, % [11] (p < 0.01) (p < 0.01)

8 BGM 4.3 Pampalk [2] [4] Pampalk [2] ( 1 ) s s s a ( 2 ) s a > s s s a ( 3 ) s a > s s sa s s ( 1 ) VOCALOID VOCAROCK VOCALOID ( 2 ) 200 ( 3 ) ( 4 ) 1 ( 5 ) 7 VOCAROCK VOCALOID (= ) VOCALOID

9 , BGM BGM BGM JST CREST [1] Lonsdale, A. J. and North, A. C.: Why do we listen to music? A uses and gratifications analysis, British Journal of Psychology, Vol. 102, No. 1, pp (2011). [2] Pampalk, E., Pohle, T. and Widmer, G.: Dynamic Playlist Generation Based on Skipping Behavior, ISMIR 2005, pp (2005). [3] UniversalPlaylist: 2005 pp (2005). [4] LISWO HCI Vol. 2009, No. 28, pp (2009). [5] Tateyama, Y., Matsumoto, Y. and Kagami, S.: Concentration detection by eye movements: towards supporting a human, Proc. of the IEEE Intl. Conf. on Systems, Man & Cybernetics, pp (2004). [6] Valentine Vol. 39, No. 5, pp (1998). [7] PC Vol. 2015, pp (2014). [8] Fogarty, J., Hudson, S. E. and Lai, J.: Examining the robustness of sensor-based statistical models of human interruptibility, CHI 2004, pp (2004). [9] Fogarty, J., Hudson, S. E., Atkeson, C. G., Avrahami, D., Forlizzi, J., Kiesler, S. B., Lee, J. C. and Yang, J.: Predicting human interruptibility with sensors, ACM Trans. Comput.-Hum. Interact., Vol. 12, No. 1, pp (2005). 9

10 [10] Züger, M. and Fritz, T.: Interruptibility of Software Developers and its Prediction Using Psycho-Physiological Sensors, CHI 2015, pp (2015). [11] Tanaka, T. and Fujita, K.: Study of user interruptibility estimation based on focused application switching, CSCW 2011, pp (2011). [12] Huang, R. H. and Shih, Y. N.: Effects of background music on concentration of workers, Work, Vol. 38, No. 4, pp (2011). [13] (1) Vol. 22, No. 6, pp (2007). [14] Goto, M.: A chorus section detection method for musical audio signals and its application to a music listening station, IEEE Trans. Audio, Speech & Language Processing, Vol. 14, No. 5, pp (2006). [15] Hamasaki, M. and Goto, M.: Songrium: a music browsing assistance service based on visualization of massive open collaboration within music content creation community, Proc. of the 9th Intl. Symposium on Open Collaboration, pp. 4:1 4:10 (2013). [16] Hamasaki, M., Goto, M. and Nakano, T.: Songrium: a music browsing assistance service with interactive visualization and exploration of protect a web of music, WWW 14, pp (2014). [17] Songrium RelayPlay: WISS 2015, pp (2015). [18] Firdausi, I., lim, C., Erwin, A. and Nugroho, A. S.: Analysis of Machine Learning Techniques Used in Behavior- Based Malware Detection, ACT 2010, pp (2010). [19] Rieck, K., Trinius, P., Willems, C. and Holz, T.: Automatic analysis of malware behavior using machine learning, Journal of Computer Security, Vol. 19, No. 4, pp (2011). [20] Canali, D., Lanzi, A., Balzarotti, D., Kruegel, C., Christodorescu, M. and Kirda, E.: A quantitative study of accuracy in system call-based malware detection, IS- STA 2012, pp (2012). [21] CSS2013 Vol. 2013, No. 4, pp (2013). [22] Crammer, K., Kulesza, A. and Dredze, M.: Adaptive regularization of weight vectors, Machine Learning, Vol. 91, No. 2, pp (2013). [23] Zhou, D., Bousquet, O., Lal, T. N., Weston, J. and Schölkopf, B.: Learning with Local and Global Consistency, NIPS 2003, pp (2003). [24] Shao, B., Ogihara, M., Wang, D. and Li, T.: Music Recommendation Based on Acoustic Features and User Access Patterns, IEEE Trans. Audio, Speech & Language Processing, Vol. 17, No. 8, pp (2009). [25] Zhu, X., Ghahramani, Z. and Lafferty, J. D.: Semi- Supervised Learning Using Gaussian Fields and Harmonic Functions, ICML 2003, pp (2003). [26] Wang, F., Li, T., Wang, G. and Zhang, C.: Semisupervised Classification Using Local and Global Regularization, AAAI 2008, pp (2008). [27] Wells, A.: Popular Music: Emotional Use and Management, The Journal of Popular Culture, Vol. 24, No. 1, pp (1990). [28] Goto, M., Yoshii, K. and Nakano, T.: Songle Widget: Making Animation and Physical Devices Synchronized with Music Videos on the Web, IEEE ISM 2015, pp (2015). [29] Goto, M., Yoshii, K., Fujihara, H., Mauch, M. and Nakano, T.: Songle: A Web Service for Active Music Listening Improved by User Contributions, ISMIR 2011, pp (2011). [30] Hamasaki, M., Takeda, H. and Nishimura, T.: Network analysis of massively collaborative creation of multimedia contents: case study of hatsune miku videos on nico nico douga, UXTV 2008, pp (2008). [31] CGM : 1. CGM Vol. 53, No. 5, pp (2012). [32] Tzanetakis, G. and Cook, P.: MARSYAS: a framework for audio analysis, Organised Sound, Vol. 4, pp (2000). 10

Songrium: 多様な関係性に基づく音楽視聴支援サービス

Songrium: 多様な関係性に基づく音楽視聴支援サービス Songrium: 1,a) 1,b) Web Songrium Songrium 1. [1] 1, 305-8568 1-1-1 National Institute of Advanced Industrial Science and Technology (AIST), 1-1-1 Umezono, Tsukuba, Ibaraki 305-8568, Japan a) masahiro.hamasaki(at)aist.go.jp