RÉSUMÉ (for English see
below): Les "étiquettes sociales" ("social tags", i.e. les mots
appliqués aux items du web par les usagers) sont devenues de
plus un
plus populaires comme outil pour la recommandation. Par exemple,
si
vous visitez le site web
flickr.com et
chercher pour "poissons heureux", les résultats de la recherche
sont
générés en utilisant les étiquettes
sociales appliquées aux photos.
Dans le domaine de la musique, le site web
last.fm
utilise les étiquettes sociales pour recommander des chansons en
utilisant la similarité au niveau des artistes. Si vous faites
une
requête sur
last.fm pour le group e
"art
rock" canadien Rush, vous êtes aussi invités à
écouter Emerson Lake
& Palmer, Yes, et Genesis. Bien que
last.fm
soit très agréable à utiliser, le site souffre de
quelques faiblesses,
incluant un biais de popularité et une incapacité
à recommander de la
musique qui n'a jamais été étiquetée. Nous
nous attaquons à ces
faiblesses au moyen de l'apprentissage automatique. Notre modèle
Autotagger [1] consiste en un ensemble de classifieurs, chacun
entraîné
à prévoir la présence ou l'absence d'une
étiquette sociale, étant donné
des attribues extrait de l'audio. Les étiquettes pour
l'apprentissage
sont obtenues du site
last.fm par data
mining (~20M étiquette sociales sont associées à
une collection audio
personnelle comprenant ~120M pistes et ~550 artistes). Le
principal
atout de notre approche est que nous pouvons générer des
étiquettes
pour de nouvelles chansons, o u pour des chansons peu populaires, et ce
d'une façon similaire aux usagers su site. En plus, du fait que
le
modèle génère un "sac de mots" ("bag of words")
qui vient du même
vocabulaire que les usagers du site, nous pouvons facilement incorporer
les résultats dans un système de recommandation existant.
La présenta
tion met l'accent sur (a) les défis au niveau du data mining (b)
l'extraction des attributs ("features") d'un fichier audio (c) la
classification via FilterBoost, une version "en ligne" du modèle
d'apprentissage automatique de type "ensemble" AdaBoost (d) l'analyse
des résultats. Ce travail est fait en collaboration avec Sun
Labs,
Boston.
ABSTRACT: Social tags (i.e. words applied by
users to items on the web) have
become an increasingly popular data source for recommendation.
For
example if you go to the photo website
flickr.com
and search for "happy fish" the resulting photo stream of happy looking
fish is generated based on social tags. In the music domain, the
website
last.fm uses social tags to
recommend tracks based on artist similarity. If you query
last.fm
for the Canadian art rock band Rush you'll be allowed to (doomed to?)
listen to Emerson Lake & Palmer, Yes, and Genesis as well.
Though
last.fm
is fun to listen to, it suffers from some weaknesses including a
popularity bias and an inability to recommend untagged music. We
address these weaknesses using machine learning. Our model Autotagger
[1] consists of a set of classifiers each trained to predict the
presence or absence of a social tag given acoustic features extracted
from an audio file. Training labels are obtained from
last.fm
using data mining (~20M social tags mapped onto an in-house music
collection of ~120K tracks spanning ~5500 artists). The main
strength
of our approach is that we can label new and unpopular tracks in a way
similar to how real social taggers might label them. Furthermore,
because the output of the model is a bag of words drawn from the same
vocabulary used by social taggers, we can easy incorporate the results
into an existing recommender. The talk will focus on (a) data
mining
challenges encountered in building a large in-house training set of
tagged mp3s (b) acoustic feature extraction (c) classification via
FilterBoost, an online version of the AdaBoost ensemble learner (d)
analysis of results. This work was done in collaboration with Sun
Labs
in Boston.