OurTunes: Improving Collaborative Consensus Playlist Making
Authors
Jepsen, Daniel Dencker ; Thor, Christian Søndergaard ; Tranum, Lucas Bjørn
Term
4. term
Education
Publication year
2025
Abstract
This thesis introduces OurTunes, a collaborative playlist system designed to produce fair and cohesive group playlists with minimal user effort. Participants join with their own Spotify playlists that reflect the social context, after which OurTunes embeds all tracks in a high-dimensional feature space using metadata such as mood and genre from Cyanite.ai. The system selects starting points via k-means clustering and then builds the playlist by choosing the next track from the k nearest neighbors (via a k-d tree), with selection probabilities weighted toward underrepresented users to improve fairness while maintaining smooth transitions. A “Wish song” feature lets users request any track from Spotify; wishes are ordered by first moving toward the largest cluster of wishes and then following the shortest path through the remaining wishes, while regular selections are biased toward the next wish. In simulations on 35 real “party” playlists (group sizes 2–35, 1,000 runs each), OurTunes outperformed Shuffle and Round robin on Cumulative Distance and Satisfaction and improved fairness, particularly for larger groups. A real-world study with seven participants over a three-hour party echoed these results: participants felt heard with little interaction, experienced smooth genre and mood continuity, and valued the Wish feature, while requesting more wishes or clearer timing insights. These findings suggest that combining clustering, local traversal, and user weighting can deliver socially satisfying, low-effort group playlists. Future work will refine implementation details, elevate minority tastes and wishes to further enhance fairness, and examine how group size and familiarity shape system requirements.
Dette speciale præsenterer OurTunes, et samarbejdende playlistsystem, der skal skabe retfærdige og sammenhængende gruppelister med minimal brugerindsats. Deltagere bidrager med egne Spotify-playlister, som afspejler den sociale kontekst, hvorefter OurTunes indlejrer alle sange i et højdimensionelt featurespace baseret på metadata som stemning og genre fra Cyanite.ai. Systemet vælger startpunkter via k-means-clustering og bygger derefter listen ved at vælge næste nummer blandt de k nærmeste naboer (via k-d-træ), hvor udvælgelsen vægtes for at favorisere underrepræsenterede brugere og dermed øge retfærdighed samt sikre glidende overgange. En “Ønskesang”-funktion lader brugere anmode om vilkårlige numre fra Spotify; ønskerne ordnes ved først at bevæge sig mod den største ønskeklynge og derefter den korteste rute gennem resterende ønsker, mens almindelige valg biases mod næste ønskesang. I simuleringer på 35 reale “party”-playlister (gruppestørrelser 2–35, 1.000 kørsler pr. sæt) overgik OurTunes både Shuffle og Round robin på Cumulative Distance og Satisfaction og forbedrede retfærdighed særligt i større grupper. En feltundersøgelse med syv deltagere i en tre timers fest bekræftede tendenserne: deltagerne følte sig hørt uden meget interaktion, oplevede jævne skift i genre og stemning og fandt Ønskesang-funktionen værdifuld, men efterspurgte flere ønsker eller bedre indsigt i afspilningstidspunkter. Resultaterne tyder på, at en kombination af clustering, lokal traversal og brugervægtning kan skabe socialt tilfredsstillende, lav-indsats gruppeplaylister. Fremtidigt arbejde vil forbedre implementeringsdetaljer, fremme minoritetssmage og -ønsker for yderligere retfærdighed samt undersøge, hvordan gruppestørrelse og indbyrdes kendskab påvirker systemkravene.
[This apstract has been generated with the help of AI directly from the project full text]
Keywords