Intentionssensitive Musikempfehlungssysteme

Die Musik, die wir mögen, wie zum Beispiel eine bestimmte Künstlerin oder ein bestimmtes Genre, hängt von unserem beabsichtigten Zweck, unserer Intention, des Hörens ab. Wir hören zum Beispiel beruhigende Musik nach einem langen Arbeitstag, aber wählen eher energiegeladene Musik, wenn wir planen, eine Party zu besuchen. Während Musikpsychologen und -psychologinnen mehrere allgemeine Intentionen des Musikhören identifiziert haben, wie Selbstausdruck, Stimmungsregulation oder soziale Verbundenheit, sind diese Intentionen nuancierter. Leider berücksichtigen aktuelle Musikempfehlungssysteme die Absichten der Nutzer und Nutzerinnen in ihren Empfehlungen nicht. Darüber hinaus beeinflusst die Art und Weise, wie ein Musikstück dargestellt wird (z.B. als Musikvideo-Clip, digitales Notenblatt oder Audio-Datei), seine möglichen Verwendungen und den Zweck, den es für den Hörer oder die Hörerin erfüllen kann. Ein Musikvideo-Clip ist zum Beispiel meistens nicht geeignet, um Klavier zu üben, während ein digitales Notenblatt es sein könnte. Vor diesem Hintergrund zielt das Projekt darauf ab, (1) neue Algorithmen zu erforschen, die die Absichten eines Hörers erkennen, wenn er auf musikbezogene Inhalte zugreift, und (2) eine neue Generation von Musikempfehlungssystemen zu schaffen, die Benutzerabsichten erkennen und Empfehlungen entsprechend anpassen können. Konkret werden wir zunächst die Intentionen identifizieren und analysieren, die Benutzer und Benutzerinnen beim Zugriff auf multimediale Sammlungen von musikbezogenen Inhalten antreiben. Dann werden wir Nutzerpräferenzmodelle erstellen, die verschiedene Inhaltsbeschreibungen integrieren, einschließlich Audio-, Text- und visueller Merkmale von Musikstücken. Drittens werden wir untersuchen, welche multimedialen Inhaltsbeschreibungen am besten geeignet sind, um Hörintentionen vorherzusagen. Zusätzlich zur Analyse von Inhaltsmerkmalen werden wir die möglichen Vorteile der Integration von Benutzer- und Kontextaspekten wie Demografie, Persönlichkeitsmerkmalen, Stimmung, Aktivität und sozialer Kontext in das Vorhersagemodell untersuchen, um dessen Genauigkeit zu verbessern. Schließlich werden wir Nutzerpräferenzprofile und vorhergesagte Intentionen integrieren, um einen neuen Musikempfehlungsalgorithmus zu entwickeln, der dynamisch auf sich ändernde Intentionen reagiert und seine Empfehlungen erklären kann. Der Algorithmus wird schließlich in einem Prototyp eines intentionssensitiven Musikempfehlungssystems implementiert werden.