2024-03-29T02:24:07Zhttps://www.tdx.cat/oai/requestoai:www.tdx.cat:10803/75572024-03-15T10:58:04Zcom_10803_236col_10803_690279
nam a 5i 4500
last.fm
user based evaluation
collaborative filtering
complex network analysis
popularity
long tail
novelty
music3.0
music information retrieval
recommendation
recommender systems
content based analysis
Music recommendation and discovery in the long tail
[Barcelona] :
Universitat Pompeu Fabra,
2011
Accés lliure
http://hdl.handle.net/10803/7557
cr |||||||||||
AAMMDDs2011 sp ||||fsm||||0|| 0 eng|c
9788469243152
Celma Herrada, Òscar,
autor
Programa de doctorat en Tecnologies de la Informació i les Comunicacions,
degree
Tesi
Doctorat
Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
2009
Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
Tesis i dissertacions electròniques
Serra, Xavier,
supervisor acadèmic
TDX
Avui en dia, la música està esbiaixada cap al consum d'alguns artistes molt populars. Per exemple, el 2007 només l'1% de totes les cançons en format digital va representar el 80% de les vendes. De la mateixa manera, només 1.000 àlbums varen representar el 50% de totes les vendes, i el 80% de tots els àlbums venuts es varen comprar menys de 100 vegades. Es clar que hi ha una necessitat per tal d'ajudar a les persones a filtrar, descobrir, personalitzar i recomanar música, a partir de l'enorme quantitat de contingut musical disponible. <br/>Els algorismes de recomanació de música actuals intenten predir amb precisió el que els usuaris demanen escoltar. Tanmateix, molt sovint aquests algoritmes tendeixen a recomanar artistes famosos, o coneguts d'avantmà per l'usuari. Això fa que disminueixi l'eficàcia i utilitat de les recomanacions, ja que aquests algorismes es centren bàsicament en millorar la precisió de les recomanacions. És a dir, tracten de fer prediccions exactes sobre el que un usuari pugui escoltar o comprar, independentment de quant útils siguin les recomanacions generades. En aquesta tesi destaquem la importància que l'usuari valori les recomanacions rebudes. Per aquesta raó modelem la corba de popularitat dels artistes, per tal de poder recomanar música interessant i desconeguda per l'usuari. <br/>Les principals contribucions d'aquesta tesi són: (i) un nou enfocament basat en l'anàlisi de xarxes complexes i la popularitat dels productes, aplicada als sistemes de recomanació, (ii) una avaluació centrada en l'usuari, que mesura la importància i la desconeixença de les recomanacions, i (iii) dos prototips que implementen la idees derivades de la tasca teòrica. Els resultats obtinguts tenen una clara implicació per aquells sistemes de recomanació que ajuden a l'usuari a explorar i descobrir continguts que els pugui agradar.
f
ES-BaCBU
cat
rda
ES-BaCBU
text
txt
rdacontent
informàtic
c
rdamedia
recurs en línia
cr
rdacarrier