211service.com
Få in datorer i spåret
Datorer har revolutionerat produktionen, distributionen och konsumtionen av musik, men när det kommer till att rekommendera en bra låt saknas de fortfarande.
Låter likadant: Ett Facebook-spel som heter Herd It används av forskare vid University of California, San Diego, för att klassificera musik i olika genrer.
Det finns gott om rekommendationssystem där ute. iTunes erbjuder Genius, som skapar spellistor och föreslår musik genom att jämföra en samling med andra användares, och många musikinriktade sociala nätverkssajter erbjuder rekommendationer inspirerade av vad en persons vänner lyssnar på. Nu använder forskare vid University of California, San Diego (UCSD), maskininlärning, i kombination med ett Facebook-spel, för att klassificera musik baserat på automatiserad analys av låtarna.
Gert Lanckriet , en biträdande professor vid UCSD, som arbetar med projektet, säger att det automatiserade tillvägagångssättet av hans grupps musiksök- och rekommendationsmotor innebär att den kan analysera enorma mängder låtar, vilket potentiellt kan ge användarna rekommendationer från ett mycket större musikbibliotek. Systemet kan också göra bedömningar om låtar som det aldrig har stött på tidigare.
UCSD-forskarna vill att deras system ska kunna tagga låtar så att användare inte bara kan söka efter artist eller låttitel, utan också efter genre, instrument och till och med beskrivande ord som romantiska eller spöklika. Med detta mål i åtanke samlar de in information om låtar med hjälp av en Facebook-applikation som heter Herd It. Spelet ger användarna poäng när de taggar låtar på ett sätt som överensstämmer med andra användares taggar, och samlar in enorma mängder data under processen.
När den informationen väl har samlats in, säger Lanckriet, grupperar forskarnas system låtar enligt de taggar som användarna har gett dem och söker sedan efter distinkta mönster i själva musiken. Den tillämpar en statistisk analys på vågformsmönstren som representerar varje låt och letar efter gemensamma egenskaper bland låtar grupperade efter tagg.
Cirka 90 procent av tiden, säger Lanckriet, identifierar systemet mönster som vanligtvis är dolda. Mönstren som identifierar en hiphoplåt kan till exempel inkludera ett typiskt hiphopbeat, men också element som lyssnaren inte skulle känna igen som ett mönster i låten. I genomsnitt förutsäger dessa automatiska taggar andra människors [taggar] ungefär lika exakt som en given mänsklig person kan göra, säger Lanckriet.
Forskarna arbetar just nu med att samla in mer data för att träna upp sitt system och Lanckriet menar att systemet har kommersiell potential. Han föreställer sig ett system som kan ta en obekant låt – från ett oberoende band, eller till och med något inspelat i en användares garage – och sedan analysera den i farten och föreslå lämpliga taggar och liknande musik.
Den populära internetradiosajten Pandora utför en liknande tjänst, bryter ner låtar och analyserar deras egenskaper. Webbplatsen grundades 2000 och låter användare välja en låt eller artist och sedan hitta liknande låtar. Användare kan snabbt finjustera resultaten för att skapa en mycket personlig strömmande radiostation.
Men Pandoras teknik är 100 procent manuell, enligt Tim Westergren , företagets strategichef och grundare. Genom Music Genome Project , ett team av musiker utvärderar låtar och poängsätter dem enligt 400 olika egenskaper. När dessa attribut väl har identifierats, säger Westergren, är det ganska enkel matematik att ge rekommendationer till användare. Han säger att Pandora är öppen för att införliva mer automatiserade metoder för att analysera låtar, men tillägger: Vi har ännu inte hittat en som vi tror är ett riktigt mervärde till det vi gör.
Andra företag arbetar också med automatisk analys av musik. Echo Nest , en startup baserad i Somerville, MA, transformerar vågformsmönstren för låtar enligt simuleringar av hur det mänskliga örat hör musik. Därifrån använder Echo Nests system filter som identifierar funktioner i låten, såsom tempo och tonhöjd, enligt företagets grundare och CTO Tristan jehan .
När det är gjort kombinerar Echo Nests system denna information med taggningsinformation från bloggar och annan information som publiceras på Internet. Den tillämpar sedan maskininlärningsalgoritmer för att identifiera funktioner hos låtar som vanligtvis förknippas med specifika taggar, ungefär som UCSD-forskarnas programvara gör.
Skillnaden, enligt Jehan, är att istället för att identifiera komplexa mönster i vågformerna, fokuserar Echo Nests programvara på funktioner som skulle kännas igen av en mänsklig lyssnare.
Forrester Research analytiker Sonal Gandhi , som följer musikbranschen, säger att mer automatiserade metoder för musiksökning och rekommendationer kan bli viktiga eftersom on-demand-musik blir mer populär och webbplatser känner ett ökat tryck för att hjälpa användare att hitta ny musik.
Tim Crawford , en universitetslektor i beräkningsmusikologi vid Goldsmiths University of London, säger att även om analys av musik med hjälp av datorer är ett mycket intressant och lovande forskningsområde, kommer det att vara svårt att skapa en musiksökmotor som är både allmän och helautomatisk. Musiklikhet är en så personlig och varierande sak, säger Crawford. Två heavy metal-spår kan tyckas mycket lika en klassisk musikexpert som jag, men helt annorlunda än en heavy metal-entusiast, som i sin tur kan betrakta Brahms och Tjajkovskijs musik som väldigt lik, vilket skulle vara skrattretande för mig.