User preference visualization for music

• Thesis title in Czech: Vizualizace preferencí uživatele v hudební doméně
• Thesis title in English: User preference visualization for music
• Key words: hudba, interaktivní grafové vizualizace, doporučování, spotify
• English key words: music domain, interactive graph visualizations, recommender systems, spotify
• Academic year of topic announcement: 2019/2020
• Thesis type: Bachelor's thesis
• Thesis language: angličtina
• Department: Department of Software Engineering (32-KSI)
• Supervisor: Mgr. Ladislav Peška, Ph.D.
• Author: hidden - assigned and confirmed by the Study Dept.
• Date of registration: 25.10.2019
• Date of assignment: 28.05.2020
• Confirmed by Study dept. on: 29.05.2020
• Date and time of defence: 07.07.2020 09:00
• Date of electronic submission: 02.06.2020
• Date of submission of printed version: 04.06.2020
• Date of proceeded defence: 07.07.2020
• Opponents: Mgr. Petr Škoda, Ph.D.

Guidelines

Řešitel se nejprve seznámí s dostupnou literaturou a algoritmy v oblastech (interaktivní) vizualizace grafů, a doporučovacích systémů se zaměřením na hudební portály (tzv. playlist continuation problem). Dále pak řešitel prostuduje možnosti využití Spotify API a Web Playback SDK (případně zváží využití jiného obdobného hudebního portálu) se zaměřením na dostupnost informací relevantních pro vizualizaci a doporučování v hudební doméně. Řešitel následně navrhne a implementuje vhodnou vizualizaci dané domény se zaměřením na aktuálního uživatele a jeho okolí. Výsledná aplikace by měla podporovat interakce s uživatelem a nějakou variantu automatického procházení grafu pro postupné přehrávání hudebních skladeb. Práce může být dále rozšířena například o zpracování multimodální uživatelské zpětné vazby, sofistikovanější metody doporučování pro playlist continuation problem, nebo interaktivní vizualizaci doporučení.

References

Ragaad M. Tarawneh, Patric Keller, Achim Ebert: A General Introduction To Graph Visualization Techniques, http://drops.dagstuhl.de/opus/volltexte/2012/3748/pdf/13.pdf
Zhuang Cai, Kang Zhang, Dong-Ni Hu: Visualizing large graphs by layering and bundling graph edges, https://link.springer.com/article/10.1007%2Fs00371-018-1509-7
Yi-Na Li, Dong-Jin Li, Kang Zhang:Metaphoric Transfer Effect in Information VisualizationUsing Glyphs, https://personal.utdallas.edu/~kzhang/Publications/VINCI2015Metaphor.pdf
Juraj Moško et al.:MLES: Multilayer Exploration Structure for Multimedia Exploration, https://link.springer.com/chapter/10.1007%2F978-3-319-23201-0_16
Tomáš Grošup, Juraj Moško, Přemysl Čech: Continuous hierarchical exploration of multimedia collections, https://ieeexplore.ieee.org/document/7153621
Tomáš Grošup, Přemysl Čech, Jakub Lokoč, Tomáš Skopal: A Web Portal for Effective Multi-model Exploration, https://link.springer.com/chapter/10.1007%2F978-3-319-14442-9_37
Frank van Ham Jarke J. van Wijk: Interactive Visualization of Small World Graphs, http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.182.7961&rep=rep1&type=pdf

Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011
Alexandros Karatzoglou, Balázs Hidasi: Deep Learning for Recommender Systems (Tutorial). RecSys 2017: 396-397
Massimo Quadrana, Alexandros Karatzoglou, Balázs Hidasi, Paolo Cremonesi: Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks. RecSys 2017: 130-137
Ching-Wei Chen et al.: Recsys challenge 2018: automatic music playlist continuation. In ACM RecSys 2018, https://doi.org/10.1145/3240323.3240342
HAMED ZAMANI et al.: An Analysis of Approaches Taken in the ACM RecSys Challenge 2018 for Automatic Music Playlist Continuation, https://arxiv.org/pdf/1810.01520.pdf
Markus Schedl et al.: Current Challenges and Visions in Music Recommender Systems Research, https://arxiv.org/pdf/1710.03208.pdf

https://developer.spotify.com/documentation/

Preliminary scope of work

Většina on-line hudebních portálů nabízí uživatelům seznamy doporučených skladeb, které jsou výstupem “black-box” doporučovacích algoritmů. Doporučení bývá často pro uživatele netransparentní a případné doporučení nebo přehrávání nerelevantního obsahu tak má výraznější negativní dopady. Doporučování probíhá především na základě vypočtených podobností mezi uživateli, nebo objekty založené buď na kolaborativním principu, nebo podobnosti vlastního obsahu. Tato bakalářská práce si klade za cíl navrhnout a implementovat vhodnou vizualizaci těchto vztahů ve formě interaktivního grafu pro konkrétní uživatele platformy Spotify nebo obdobného portálu. Výstupní program by měl také umožnit přehrávání skladeb obsažených v grafu.