Addressing the Cold Start Problem in Music Recommendation Systems
Author
Thomas, Arlint
Term
4. term
Publication year
2016
Submitted on
2016-06-11
Abstract
Dette speciale undersøger, hvordan musikrekommandationssystemer kan håndtere cold-start-problemet, hvor nye tracks og kunstnere er svære at anbefale på grund af manglende brugerdata. Med udgangspunkt i den omfattende digitalisering af musik og udbredelsen af streamingtjenester gennemgås både grundlæggende anbefalingsteknikker (bl.a. collaborative og content-based) og kommercielle løsninger (Last.fm, Pandora, Apple Music, Spotify). Specialet foreslår en løsning, der udnytter brugeres eksisterende præferencer fra platforme som Spotify og kobler dem med data hentet via SoundClouds API for helt nye tracks/kunstnere, baseret på indikatorer som likes, delinger, kommentarer, afspilninger og favoritter. Arbejdet kombinerer sekundær forskning (litteraturstudie) med primær, kvalitativ forskning (semistrukturerede interviews), der munder ud i personas og scenarier, samt en efterfølgende analyse og en softwaredesignproces med kravspecifikation, UML og systemarkitektur. Målet er at muliggøre relevante anbefalinger af indhold uden tidligere ratings ved at udnytte tværplatformssignaler; empiriske resultater og evaluering fremgår ikke af det medfølgende uddrag.
This thesis examines how music recommendation systems can address the cold-start problem, where new tracks and artists are hard to recommend due to a lack of user data. Against the backdrop of music digitization and the rise of streaming, it surveys core recommendation techniques (e.g., collaborative and content-based) and commercial systems (Last.fm, Pandora, Apple Music, Spotify). The thesis proposes a solution that leverages users’ existing preferences from platforms such as Spotify and combines them with data retrieved via the SoundCloud API for brand-new tracks/artists, using engagement indicators like likes, shares, comments, play counts and favorites. The work blends secondary research (literature review) with primary, qualitative research (semi-structured interviews) to develop personas and scenarios, followed by analysis and a software design process including requirements, UML and system architecture. The aim is to enable relevant recommendations for items with no prior ratings by exploiting cross-platform signals; empirical evaluation results are not included in the provided excerpt.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents