论文笔记11:Development of a Music Recommendation System for Motivating Exercise

参考论文：Development of a Music Recommendation System for Motivating Exercise

图片出不来，请参考我同文知乎连接：https://zhuanlan.zhihu.com/p/40912861

Abstract

虽然定期体育锻炼对健康的益处是很明显的，但许多人锻炼的程度远低于既定的指导方针。音乐已经被证明有一种激励作用，可以鼓励人们更努力地锻炼或持续更长的时间，但是决定哪些歌曲应该被提供给哪些锻练者是一个未解决的问题。我们提出了一个结合用户信息的系统，以向用户提供一组强大的初始推荐。然后使用强化学习，以确保随后的建议更易被接受，因为每个建议都可能被接受或拒绝。使用所提议系统的测试对象对其提供的播放列表的评价高于先前基于先进强化学习的音乐推荐系统所提供的播放列表，并且在满足他们的推荐之前也不需要拒绝尽可能多的歌曲，当基于个人简档接收推荐时以及基于通过对用户进行分组而形成的聚合简档接收推荐时。

INTRODUCTION

运动对健康的益处已经被广泛地建立起来了。经常锻炼的人已经降低了发展各种医疗条件的风险，包括肥胖、某些癌症、糖尿病、中风和冠心病。尽管许多人不喜欢运动，但音乐已经被证明有一种激励作用，可以鼓励人们更努力地锻炼或更长时间，从而帮助他们保持健康。然而，也有证据表明，并非所有的音乐都有同样强烈的动机效果;虽然有些音乐对某些人来说是很有动力的，但其他音乐对锻炼习惯没有明显的影响。此外，由于个人偏好和文化背景，可能不会有普遍动机的音乐，不同的研究对象表明，如果音乐节奏快速、缓慢或混合，那么音乐的动机就更有可能是激发性的。

研究表明，在确定一段音乐的动机性内容时，可能无法进行追踪，但研究表明，通过整合他们的音乐喜好，可以为特定的用户可靠地选择激励音乐。像强化学习这样的算法可以用来帮助确定这样的偏好;然而，如果没有对用户的额外信息，这样的算法也可以要求用户对数百条轨道进行评估，以获得足够的信息来提供质量结果。这可能会让用户感到疲劳，而且可能需要很长时间，使得这样的系统不方便使用。因此，我们提出了一个系统，它包含了一个用户分析步骤，它代表了用户的音乐和运动偏好，使算法能够以实际的方式提供令人满意的音乐。我们还扩展了用户信息，以表示组和个人，以便提议的系统可以为团体活动推荐音乐，比如物理治疗（利用人体生理对物理刺激所作出的反应来达到治疗目的，有声音治疗），这对所有参与者都是合适的。

LITERATURE REVIEW

除了通用的音乐推荐系统之外，研究人员还开发了几个特定任务的音乐推荐系统。然而，运动的具体活动有一些方面需要特殊考虑，这在一般情况下是不需要的，比如开车。例如，用户在锻炼时可能会以非常特定的速度或时间移动，而在试图入睡、开车、阅读或简单地听音乐时，他们不太可能这样做。因此，设计为运动推荐音乐的系统必须考虑到严格的节奏限制等方面。

一些系统已经开发出来，专门为运动推荐音乐。TripleBeats为用户提供了更快或更慢的音乐，这取决于系统确定用户是否加速或减速。PersonalSoundtrack可以测量用户的跑步速度，并推荐使用相同的节奏的音乐，而IM4Sports则采用了一个训练阶段，该阶段可以根据用户之前选择的音乐来预测未来的推荐。然而，这些系统大多基于音乐的节奏提供建议（IM4Sports也包含了艺术家和流派的特色）。他们忽视了其他的特征比如生理激励这可能会影响一段音乐如何更有激发性

ALGORITHM

最初，建议的系统大约有384,500首可以推荐的歌曲。这些歌曲是从百万歌曲数据集（MSD）的音轨中获得的，并且还可以从http://7Digital.com上获得预览。然而，这些音频大部分可能与任何特定的用户都不匹配。因此

1、本文所提系统使用用户信息（UP）步骤,该系统使用问卷来创建用户信息。

从问卷中获得的信息与音乐特征进行了比较，将最初的384,500首歌曲精简为1000首歌曲，用户更有可能喜欢这些歌曲，从而使推荐问题更加易于处理。

问卷还被用来将用户分组到具有类似音乐品味的群体中;

然后创建聚合用户信息，以便找到可能被整个组接受的建议。

2、最后，强化学习（RL）用于细化UP推荐系统提供的初始结果。

A. User Profiling System

在订阅系统时，用户首先被定向到一个包含调查表的页面，该页面将用于确定他们的概要文件。这些问题被设计成与文献中经常提到的特征相关联，这些特征对诸如节奏之类的音乐的刺激性有潜在的强烈影响。

用户将他们喜爱的歌曲、艺术家和流派输入文本框。研究表明,用户更有可能出于一段音乐如果他们个人喜欢这首歌[5],这部分的问卷允许用户列出这些信息来帮助系统找到类似的音乐,他们也可能喜欢。然后，用户将音乐的节奏偏好输入，同时也可以选择音乐的节奏。最后，构造出音乐的loud，energetic，positive，familiar程度，韵律的重要程度的五级量表。

B. Clustering Technique

在问卷被填满之后，系统可以使用它们将用户分组到类似音乐品味的群组中。对于集群用户的推荐适合很多人，这在各种情况下都很有用。例如，团体锻炼或以音乐为主题的团体治疗课程，最好是使用所有小组成员都能接受的音乐。

在计算相似性之前，每个用户根据其回答的调查问卷构造一个向量。向量的元素是用户对于下面所列六个元素的评级值，即向量（loud,energetic,positive,familiar,rhythm），加上节奏偏好输入(未提供则该元素为空） ，以及数据库中每个艺术家，歌曲和流派条目的一系列二进制值。三元值为艺术家,歌曲,和类型值，如果为“0”表示用户没有表示自己是否喜欢,对于用户列为最喜欢的条目给出一个积极的权重,用户没有一个最喜欢的作家列表，但是MSD指数显示存在“类似”艺术家用户列表，则权重设置成一半。这样，艺术家、歌曲和流派的权重都与其他特征相同。

每一对向量之间的相似度是通过欧式距离计算,然后向量是集群分成组通过k - means算法(图1)。最后，每个群组的信息是通过平均和舍入用户对该群组用户列出的（响度，能量，快乐，节奏，流行度和节奏突出度）的评级值，然后汇总该组用户创建的歌曲，艺术家和流派这个三元组信息。

C. Initial Recommendations via UP

用户信息，无论是针对个人还是团体，根据公开数据集MSD的特征，将最初的380000个音轨缩小到大约1000个音轨（这是为了让提议的系统被其他人采用）。如下方法：

····如果数据库中的任何歌曲都有用户作为自己喜好而输入的标题或艺术家的名字，那么这些歌曲很大概率会被包括在内。数据库中的每个艺术家都根据http://AllMusic.com的类型结构来映射到一种类型，而那些相似流派的艺术家的歌曲也更易被包含进来。

····如果一个用户信息包含了通过点击过程输入的喜好节奏信息，那么在节奏值附近的音乐更有可能被保留。否则，5点值首先被转换成5个等距的范围，50-100BPM到150-200 BPM（beats per minute）。在适当范围内的音乐更有可能被保留。

····这种用户对音乐的熟悉程度可以与MSD的“hottness”功能相比较，在于“更热”的音乐更可能对用户来说是熟悉的

····对节奏突出的反应是根据MSD的“节奏感”特征进行的，因为更强的节奏往往预示着强烈而清晰的节奏。

····在这个过滤过程中，不使用loudness、arousal和valance值。虽然这些元素中有一些MSD特征，但我们没有发现它们足够可靠以达到我们的目的。

D. Reinforcement Learning System

在获得1000个潜在推荐之后，随机选择第一个含10首音乐的推荐集供用户评估。为用户提供歌曲名称、艺术家姓名、发行年份，以及从http://7Digital.com获得的30秒音乐预览。然后用户听音乐并决定他是否认为音乐适合运动。然后他可以接受或拒绝它。如果他接受了，那首歌就会保存在他的播放列表中。但是，如果他拒绝了，就必须产生更多的建议来取代被拒绝的曲目。

对于RL算法,我们遵循非贪婪的方法[9]。这种方法将问题建模为一个n-armed bandit(多臂老虎机）问题，该问题在多个迭代中优化结果，而不仅仅是一个迭代。用户的偏好潜在特性通过接受或拒绝采用协同过滤来找到,然后从内部系统从1000首音乐子集中进行选择，这是为了平衡exploring和exploit（利用旧偏好exploit，挖掘新偏好explore），以便在后续迭代中提供更好的建议。新的建议被传递给用户，用户可以像以前一样接受或拒绝它们，并且向用户推荐新的歌曲比已经听过的音乐更容易接受，他们也可以从播放列表中删除歌曲。这个过程一直持续到用户接受了10首歌曲。

EXPERIMENT AND RESULTS

60名大学生志愿者被分成3组，每组20名学生参加测试。这里学生对自己所在的group不知情

第一组利用本文所提供的系统，其成员根据各自的问卷收到最初的一套音乐建议。

第二组利用本文所提供的系统，但是这个组的成员被分类成集群，并根据他们的集群汇总问卷得到他们最初的建议。我们根据经验将簇的数目设为3。

第三组使用一个没有UP系统的参考系统。

实际过程

1、所有的学生都填写了一个用户资料，然后在实验室环境中使用音乐推荐系统，并由研究人员进行监控。

2、学生收到了最初的推荐

3、拒绝不合适的音乐，或接受音乐

4、如果拒绝音乐则会根据强化学习系统收到新的推荐。

5、学生们使用这个系统，直到他们完成了十首他们认为可以在练习中使用的歌曲的播放列表。

在这一点上，他们被要求进行每首歌曲的评估以及一个整体的播放列表的评估，采用五级量表方法，评估是否适合运动；他们还被要求指出他们是否会在真实的环境中使用这个系统来选择音乐进行锻炼。整体实验结果如表一：

如图：

他们愿意在未来使用每个系统推荐音乐运动表中数据第一行。结果表明,这两个使用本文UP系统比没有使用UP的参考系统表现更好。使用参考系统的学生中，足足有一半不愿意再使用这套系统，而使用其他系统的学生中，有四分之三的人想再使用这套系统。t-test证实这些结果具有统计学意义(p < 0.05)。

对于个体（第一组）应用本系统在测试期间平均拒绝了大约27首歌曲,而未使用本文系统的用户大约拒绝约34首，接受跟踪之前获得10 - 25%可接受的歌曲超过该系统。事实上,参考系统有更多的学生拒绝40首以上。

CONCLUSION AND FUTURE WORK

使用UP算法的系统优于参考系统。学生们表示，他们更有可能使用新系统，而且他们得到了可接受的建议，而不必对许多不可接受的建议进行评估。我们还发现,使用该系统的组用户产生了类似的结果,使用个性化的概要文件,验证系统等在组织环境中使用的类。在未来，我们将让我们的受试者按照推荐的音乐进行锻炼，并监测他们的生理和心理反应。这将使我们更好地理解推荐音乐在运动中对人们的影响。我们还将把结果扩大到其他年龄组。我们正在安排与当地小学的学生在体育课使用我们的系统。