Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Skip to main content
Springer Nature Link
Log in

Empfehlungssysteme, automatische Erzeugung von Wiedergabelisten und Musikdatenbanken

  • Living reference work entry
  • First Online:
Handbuch Funktionale Musik

Part of the book series: Springer Reference Psychologie ((SRP))

  • 480 Accesses

Zusammenfassung

Die passende Musik für einen gewünschten Anwendungszweck auszuwählen, etwa für eine Wiedergabeliste für Hintergrundmusik oder als Untermalung in einem Werbespot, ist aufgrund von verschiedensten Anforderungen und der schieren Menge an verfügbaren Stücken ein aufwändiger Prozess. Es existieren zahlreiche Kriterien, beispielsweise Metadaten, aber auch die Beschaffenheit der Musik selbst, anhand derer ein Stück charakterisiert werden kann. Mithilfe von Empfehlungssystemen – speziellen Algorithmen, die Elemente anhand festgelegter Kriterien auswählen können – lässt sich dieser Prozess vereinfachen und teilweise automatisieren. Ihre Daten beziehen solche Systeme oft aus sogenannten Musikdatenbanken, die Informationen über Musikstücke aggregieren und kategorisieren, und damit die Möglichkeit bieten, Titel nach verschiedenen Kriterien zu finden, dem Anwendungszweck gemäß auszuwählen und oft auch direkt zu erwerben oder abzuspielen. In diesem Kapitel wird das Problem der automatisierten Erstellung von Wiedergabelisten charakterisiert sowie algorithmische Ansätze im Überblick vorgestellt. Anschließend wird eine Übersicht über aktuelle Online-Musikdatenbanken gegeben.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Institutional subscriptions

Similar content being viewed by others

Notes

  1. 1.

    Vgl. Handwörterbuch der musikalischen Terminologie (HmT) (1994)

  2. 2.

    Vgl. Bullerjahn 2001.

  3. 3.

    Vgl. Eggebrecht 1995.

  4. 4.

    Vgl. https://press.spotify.com/us/about/. Zugegriffen am 08.01.2017.

  5. 5.

    Unter dem Begriff „Musikdatenbanken “ werden zuweilen auch Softwareanwendungen verstanden, welche es erlauben, private bzw. lokale Musiksammlungen zu strukturieren. Diese Anwendungen stehen nicht im Fokus dieses Abschnittes.

  6. 6.

    Engl.: „sequence of tracks“.

  7. 7.

    Vgl. Baccigalupo und Plaza 2006; Knees et al. 2006; Baccigalupo 2009; McFee und Lanckriet 2011; Hariri et al. 2012.

  8. 8.

    Engl.: „shuffle“.

  9. 9.

    Vgl. Cunningham et al. 2006.

  10. 10.

    Vgl. Cliff 2006.

  11. 11.

    Der Begriff „Track“ wird im weiteren Text synonym mit dem Wort Musikstück verwendet.

  12. 12.

    Vgl. Dias und Fonseca 2010.

  13. 13.

    Vgl. Blum et al. 1999; Pohle et al. 2005; Tzanetakis 2002.

  14. 14.

    Vgl. Schmädecke und Blume 2013.

  15. 15.

    Vgl. van Gulik und Vignoli 2005; Pachet et al. 2000; Aizenberg et al. 2012; Bogdanov und Herrera 2011; Coelho et al. 2013.

  16. 16.

    Vgl. Celma 2010; Lee und Cho 2011.

  17. 17.

    Vgl. McDermott 2012.

  18. 18.

    Vgl. Celma 2010.

  19. 19.

    Vgl. Germain und Chakareski 2013.

  20. 20.

    Vgl. McFee and Lanckriet 2012

  21. 21.

    Vgl. Hu und Ogihara 2011.

  22. 22.

    Vgl. Logan 2002; Flexer et al. 2008.

  23. 23.

    Vgl. Pachet et al. 2000; Reddy und Mascia 2006; Sandvold et al. 2006.

  24. 24.

    Vgl. Biehl et al. 2006.

  25. 25.

    Vgl. Cliff 2006.

  26. 26.

    Vgl. Logan 2004; Knees et al. 2006; Fields et al. 2008.

  27. 27.

    Vgl. Slaney und White 2007.

  28. 28.

    Vgl. Jannach et al. 2011.

  29. 29.

    Vgl. Chedrawy und Abidi 2009.

  30. 30.

    Vgl. Bonnin und Jannach 2013.

  31. 31.

    Vgl. Crampes et al. 2007; Chen et al. 2012.

  32. 32.

    Vgl. Hariri et al. 2012.

  33. 33.

    Vgl. McFee und Lanckriet 2011.

  34. 34.

    Vgl. Chen et al. 2012; Moore et al. 2012; McFee und Lanckriet 2012.

  35. 35.

    Vgl. Zheleva et al. 2010.

  36. 36.

    Vgl. Alghoniemy und Tewfik 2000; Pachet et al. 2000.

  37. 37.

    Vgl. Pauws et al. 2008.

  38. 38.

    Vgl. Burke 2002; Jannach et al. 2011.

  39. 39.

    Vgl. McFee und Lanckriet 2011.

  40. 40.

    Vgl. Hariri et al. 2012.

  41. 41.

    Vgl. Meyers 2007.

  42. 42.

    Vgl. Domingues et al. 2012; Lampropoulos et al. 2012.

  43. 43.

    Vgl. Slaney und White 2006.

  44. 44.

    Vgl. Sarroff und Casey 2012.

  45. 45.

    Vgl. Cunningham et al. 2006.

  46. 46.

    Vgl. Hansen und Golbeck 2009; Andric und Haus 2005.

  47. 47.

    Vgl. Reynolds et al. 2008.

  48. 48.

    Vgl. Lee et al. 2011; Kamalzadeh et al. 2012.

  49. 49.

    Vgl. Barrington et al. 2009.

  50. 50.

    Vgl. Bosteels et al. 2009.

  51. 51.

    Vgl. Pohle et al. 2005; Knees et al. 2006; Flexer et al. 2008; Dopler et al. 2008.

  52. 52.

    Vgl. Slaney und White 2006, 2007; Lee et al. 2011; Kamalzadeh et al. 2012.

  53. 53.

    Vgl. McFee und Lanckriet 2011.

  54. 54.

    Vgl. McFee und Lanckriet 2011; Chen et al. 2012; Moore et al. 2012.

  55. 55.

    Vgl. Vatolkin et al. 2011.

  56. 56.

    Vgl. Pohle et al. 2005; Knees et al. 2006; Cai et al. 2007.

  57. 57.

    Vgl. Hilliges et al. 2006; Baur et al. 2010; Pauws und van de Wijdeven 2005.

  58. 58.

    Vgl. Mit Stand Januar 2017 ist der Zugriff auf die Daten eingeschränkt. Teile der Informationen können über die API von Spotify abgerufen werden.

  59. 59.

    Vgl. http://labrosa.ee.columbia.edu/millionsong/. Zugegriffen am 08.01.2017.

  60. 60.

    Eine Liste findet sich auf der englischsprachigen Wikipedia-Seite http://en.wikipedia.org/wiki/List_of_online_music_databases. Zugegriffen am 08.01.2017, wobei hier auch Dienste aufgelistet sind, die üblicherweise nicht primär als Musikdatenbanken verstanden werden (McGrady 2015).

  61. 61.

    Vgl. https://staff.aist.go.jp/m.goto/RWC-MDB/. Zugegriffen am 08.01.2017 (Goto 2012).

  62. 62.

    http://de.creativecommons.org/was-ist-cc/. Zugegriffen am 08.01.2017.

  63. 63.

    Vgl. Das Service von last.fm wurde seit dem Jahr 2015 weitgehend verändert und es sind mit Stand Januar 2017 nicht alle hier genannten Funktionen mehr verfügbar.

  64. 64.

    Vgl. http://en.wikipedia.org/wiki/Music_Genome_Project. Zugegriffen am 08.01.2017.

  65. 65.

    Vgl. Dörr et al. 2013.

  66. 66.

    Vgl. http://www.musikindustrie.de/download-jahrbuch/. Zugegriffen am 08.01.2017.

  67. 67.

    Vgl. Zentner 2006.

  68. 68.

    Vgl. http://www.cepro.com/article/itunes_dominates_download_market_streaming_audio_grows/. Zugegriffen am 08.01.2017.

  69. 69.

    Vgl. Hess und Ünlü 2004.

  70. 70.

    Vgl. Sinha et al. 2010.

  71. 71.

    Vgl. http://www.musikindustrie.de/download-jahrbuch/. Zugegriffen am 08.01.2017.

  72. 72.

    Vgl. https://www.riaa.com/reports/. Zugegriffen am 08.01.2017.

  73. 73.

    Vgl. http://www.musicwatchinc.com/blog/one-third-of-us-consumers-still-buy-music-downloads-even-as-streaming-gains-momentum/. Zugegriffen am 08.01.2017.

  74. 74.

    Vgl. Dörr et al. 2013.

  75. 75.

    Vgl. https://news.spotify.com/us/2015/01/12/15-million-subscribers/. Zugegriffen am 08.01.2017.

  76. 76.

    Vgl. http://www.musikindustrie.de/download-jahrbuch/. Zugegriffen am 08.01.2017.

  77. 77.

    Vgl. http://www.musicwatchinc.com/blog/one-third-of-us-consumers-still-buy-music-downloads-even-as-streaming-gains-momentum/. Zugegriffen am 08.01.2017.

  78. 78.

    Vgl. Anderson 2009.

  79. 79.

    Vgl. http://www.welt.de/wirtschaft/article125491505/Auf-deutschem-Musikmarkt-spielen-CDs-das-Geld-ein.html. Zugegriffen am 08.01.2017.

  80. 80.

    Vgl. https://web.archive.org/web/20160423100545/. http://www.tagesschau.de/wirtschaft/apple-musik. Zugegriffen am 08.01.2017.

  81. 81.

    Vgl. http://en.wikipedia.org/wiki/List_of_most_viewed_YouTube_videos. Zugegriffen am 08.01.2017.

Literatur

  • Aizenberg N, Koren Y, Somekh O (2012) Build your own music recommender by modeling internet radio streams. In: WWW ’12 – Proceedings of the 21st International Conference on World Wide Web, S 1–10

    Google Scholar 

  • Alghoniemy M, Tewfik AH (2000) User-defined music sequence retrieval. In: Multimedia ’00 – Proceedings of the Eighth ACM International Conference on Multimedia, S 356–358

    Google Scholar 

  • Anderson C (2009) Free – the future of a radical price. Random House, London

    Google Scholar 

  • Andric A, Haus G (2005) Estimating quality of playlists by sight. In: Proceedings of the 1st International Conference on Automated Production of Cross Media Content for Multi-channel Distribution, S 68–74

    Google Scholar 

  • Baccigalupo CG (2009) Poolcasting: an intelligent technique to customise musical programmes for their audience. Dissertation, Universitat Autònoma de Barcelona

    Google Scholar 

  • Baccigalupo CG, Plaza E (2006) Case-based sequential ordering of songs for playlist recommendation. In: ECCBR ’06 – Proceedings of the 8th European Conference on Advances in Case-based Reasoning, S 286–300

    Google Scholar 

  • Barrington L, Reid O, Lanckriet G (2009) Smarter than genius? Human evaluation of music recommender systems. In: ISMIR ’09 – Proceeding of the 2009 International Symposium on Music Information Retrieval, S 357–362

    Google Scholar 

  • Baur D, Boring S, Butz A (2010) Rush: repeated recommendations on mobile devices. In: IUI ’10 – Proceedings of the 15th International Conference on Intelligent User Interfaces, S 91–100

    Google Scholar 

  • Biehl JT, Adamczyk PD, Bailey, BP (2006) DJogger: a mobile dynamic music device. In: CHI ’06 – Proceedings of the 2006 Conference on Human Factors in Computing Systems, S 556–561

    Google Scholar 

  • Blum TL, Keislar DF, Wheaton JA, Wold EH (1999) Method and article of manufacture for content-based analysis, storage, retrieval, and segmentation of audio information. US Patent 5,918,223

    Google Scholar 

  • Bogdanov D, Herrera P (2011) How much metadata do we need in music recommendation? A subjective evaluation using preference sets. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 97–102

    Google Scholar 

  • Bonnin G, Jannach D (2013) Evaluating the quality of playlists based on hand-crafted samples. In: ISMIR ’13 – Proceedings of the 2013 International Symposium on Music Information Retrieval, S 263–268

    Google Scholar 

  • Bonnin G, Jannach D (2014) Automated generation of music playlists: survey and experiments. ACM Computing Surveys 47(2): 1–35

    Google Scholar 

  • Bosteels K, Pampalk E, Kerre EE (2009) Evaluating and analysing dynamic playlist generation heuristics using radio logs and fuzzy set theory. In: ISMIR ’09 – Proceedings of the 2009 International Symposium on Music Information Retrieval, S 351–356

    Google Scholar 

  • Bullerjahn C (2001) Grundlagen der Wirkung von Filmmusik. Wißner Verlag, Augsburg

    Google Scholar 

  • Burke R (2002) Hybrid recommender systems: survey and experiments. User Modeling and User-Adapted Interaction 12:331–370

    Article  Google Scholar 

  • Cai R, Zhang C, Zhang L, Ma WY (2007) Scalable music recommendation by search. In: Multimedia ’07 – Proceedings of the Eighth ACM International Conference on Multimedia, S 1065–1074

    Google Scholar 

  • Chedrawy Z, Raza Abidi SS (2009) A web recommender system for recommending. Predicting and personalizing music playlists. In: WISE ’09 – Proceedings of the 2009 International Conference on Web Information Systems Engineering, S 335–342

    Google Scholar 

  • Chen S, Moore JL, Turnbull D, Joachims T (2012) Playlist prediction via metric embedding. In: KDD ’12 – Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, S 714–722

    Google Scholar 

  • Cliff D (2006) hpDJ: an automated DJ with floorshow feedback. Consuming music together. S 241–264

    Google Scholar 

  • Coelho F, Devezas J, Ribeiro C (2013) Large-scale crossmedia retrieval for playlist generation and song discovery. In: OAIR ’13 – Proceedings of the 10th Conference on Open Research Areas in Information Retrieval, S 61–64

    Google Scholar 

  • Crampes M, Villerd J, Emery A, Ranwez S (2007) Automatic playlist composition in a dynamic music landscape. In: SADPI ’07 – Proceedings of the 2007 International Workshop on Semantically Aware Document Processing and Indexing, S 15–20

    Google Scholar 

  • Cunningham S, Bainbridge D, Falconer A (2006) „More of an art than a science“: supporting the creation of playlists and mixes. In: ISMIR ’06 – Proceedings of the 2006 International Symposium on Music Information Retrieval, S 240–245

    Google Scholar 

  • Dias R, Fonseca MJ (2010) MuVis: an application for interactive exploration of large music collections. In: MM ’10 – Proceedings of the 2010 International Conference on Multimedia, S 1043–1046

    Google Scholar 

  • Domingues MA, Gouyon F, Jorge AM, Lea JP, Vinagre J, Lemos L, Sordo M (2012) Combining usage and content in an online music recommendation system for music in the long-tail. In: WWW ’12 – Proceedings of the 21st International Conference on World Wide Web, S 925–930

    Google Scholar 

  • Dopler M, Schedl M, Pohle T, Knees P (2008) Accessing music collections via representative cluster prototypes in a hierarchical organization scheme. In: ISMIR ’08 – Proceedings of the 2008 International Symposium on Music Information Retrieval, S 179–184

    Google Scholar 

  • Dörr J, Wagner T, Benlian A, Hess T (2013) Music as a Service: Eine Alternative für Musikpiraten? Eine empirische Untersuchung zur Nutzungsintention von Streaming-Services für Musik. Wirtschaftsinformatik 55:377–393

    Article  Google Scholar 

  • Eggebrecht HH (1995) Terminologie der Musik im 20. Jahrhundert. Franz Steiner Verlag, Wiesbaden

    Google Scholar 

  • Fields B, Rhodes C, Casey M, Jacobson K (2008) Social playlists and bottleneck measurements: exploiting musician social graphs using content-based dissimilarity and pairwise maximum flow values. In: ISMIR ’08 – Proceedings of the 2008 International Symposium on Music Information Retrieval, S 559–564

    Google Scholar 

  • Flexer A, Schnitzer D, Gasser M, Widmer G (2008) Playlist generation using start and end songs. In: ISMIR ’08 – Proceedings of the 2008 International Symposium on Music Information Retrieval, S 173–178

    Google Scholar 

  • Germain A, Chakareski J (2013) Spotify Me: Facebook-assisted automatic playlist generation. In: MMSP ’13 – Proceedings of the 15th International Workshop on Multimedia Signal Processing, S 25–28

    Google Scholar 

  • Handwörterbuch der musikalischen Terminologie (HmT), Staatliches Institut für Musikforschung, 22. Auslieferung (1994)

    Google Scholar 

  • Hansen DL, Golbeck J (2009) Mixing it up: recommending collections of items. In: CHI ‘09 – Proceedings of the 2009 SIGCHI Conference on Human Factors in Computing Systems, S 1217–1226

    Google Scholar 

  • Hariri N, Mobasher B, Burke R (2012) Context-aware music recommendation based on latent topic sequential patterns. In: RecSys ’12 – Proceedings of the Sixth ACM Conference on Recommender Systems, S 131–138

    Google Scholar 

  • Hess T, Ünlü V (2004) Systeme für das Management digitaler Rechte. Wirtschaftsinformatik 46:273–280

    Article  Google Scholar 

  • Hilliges O, Holzer P, Klüber K, Butz A (2006) AudioRadar: a metaphorical visualization for the navigation of large music collections. In: Proceedings of the 2006 International Symposium on Smart Graphics, S 82–92

    Google Scholar 

  • Hu Y, Ogihara M (2011) Next one player: a music recommendation system based on user behavior. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 103–108

    Google Scholar 

  • Jannach D, Zanker M, Felfernig A, Friedrich G (2011) Recommender systems – an introduction. Cambridge University Press, New York

    Google Scholar 

  • Kamalzadeh B, Baur D, Möller T (2012) A survey on music listening and management behaviours. In: ISMIR ’12 – Proceedings of the 2012 International Symposium on Music Information Retrieval, S 373–378

    Google Scholar 

  • Knees P, Pohle T, Schedl M, Widmer G (2006) Combining audio-based similarity with Web-based data to accelerate automatic music playlist generation. In: MIR ’06 – Proceedings of the 8th ACM International Workshop on Multimedia Information Retrieval, S 147–154

    Google Scholar 

  • Lampropoulos AS, Sotiropoulos D, Tsihrintzis GA (2012) Evaluation of a cascade hybrid recommendation as a combination of one-class classification and collaborative filtering. In: ICTAI ’12 – Proceedings of the 2012 I.E. 24th International Conference on Tools with Artificial Intelligence, S 674–681

    Google Scholar 

  • Lee K, Cho M (2011) Mood classfication from musical audio using user group-dependent models. In: ICMLA ’11 – Proceedings of the 10th International Conference on Machine Learning and Applications and Workshops, S 130–135

    Google Scholar 

  • Lee JH, Bare B, Meek G (2011) How similar is too similar? Exploring users’ perceptions of similarity in playlist evaluation. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 109–114

    Google Scholar 

  • Logan B (2002) Content-based playlist generation: exploratory experiments. In: ISMIR ’02 – Proceedings of the 2002 International Symposium on Music Information Retrieval, S 295–296

    Google Scholar 

  • Logan B (2004) Music recommendation from song sets. In: ISMIR ’04 – Proceedings of the 2004 International Symposium on Music Information Retrieval, S 425–428

    Google Scholar 

  • McDermott J (2012) Auditory preferences and aesthetics: music, voices, and everyday sounds. In: Neuroscience of performance and choice. Academic, San Diego, S 227–256

    Chapter  Google Scholar 

  • McFee B, Lanckriet GRG (2011) The natural language of playlists. In: ISMIR ’11 – Proceedings of the 2011 International Symposium on Music Information Retrieval, S 537–542

    Google Scholar 

  • McFee B, Lanckriet GRG (2012) Hypergraph models of playlist dialects. In: ISMIR ’12 – Proceedings of the 2012 International Symposium on Music Information Retrieval, S 343–348

    Google Scholar 

  • Meyers OC (2007) A mood-based music classification and exploration system. Master’s thesis, Massachusetts Institute of Technology

    Google Scholar 

  • Moore JL, Chen S, Joachims T, Turnbull D (2012) Learning to embed songs and tags for playlist prediction. In: ISMIR ’12 – Proceedings of the 2012 International Symposium on Music Information Retrieval, S 349–354

    Google Scholar 

  • Pachet F, Roy P, Cazaly D (2000) A combinatorial approach to content-based music selection. Multimedia 7:44–51

    Article  Google Scholar 

  • Pauws S, van deWijdeven S (2005) User evaluation of a new interactive playlist generation concept. In: ISMIR ’05 – Proceedings of the 2005 International Symposium on Music Information Retrieval, S 638–643

    Google Scholar 

  • Pauws S, Verhaegh W, Vossen M (2008) Music playlist generation by adapted simulated annealing. Inf Sci 178:647–662

    Article  Google Scholar 

  • Pohle T, Pampalk E, Widmer G (2005) Generating similarity-based playlists using traveling salesman algorithms. In: DAFx ’05 – Proceedings of the 2005 International Conference on Digital Audio Effects, S 220–225

    Google Scholar 

  • Reddy S, Mascia J (2006) Lifetrak: music in tune with your life. In: Proceedings of the 1st ACM International Workshop on Human-centered Multimedia, S 25–34

    Google Scholar 

  • Reynolds G, Barry D, Burke T, Coyle E (2008) Interacting with large music collections: towards the use of environmental metadata. In: ICME ’08 – Proceedings of the 2008 International Congress on Mathematical Education, S 989–992

    Google Scholar 

  • Sandvold V, Aussenac T, Celma O, Herrera P (2006) Good vibrations: music discovery through personal musical concepts. In: ISMIR ’06 – Proceedings of the 2006 International Symposium on Music Information Retrieval, S 322–323

    Google Scholar 

  • Sarroff AM, Casey M (2012) Modeling and predicting song adjacencies. In: Commercial albums. SMC ’12 – Proceedings of the 9th Sound and Music Computing Conference, S 364–371

    Google Scholar 

  • Schmädecke I, Blume H (2013) High performance hardware architectures for automated music classification. In: Algorithms from and for nature and life. Springer, Cham, S 539–547

    Chapter  Google Scholar 

  • Sinha RK, Machado FS, Sellman C (2010) Don’t think twice, it’s all right: music piracy and pricing in a DRM-free environment. J Mark 74:40–54

    Article  Google Scholar 

  • Slaney M, White W (2006) Measuring playlist diversity for recommendation systems. In: AMCMM ’06 – Proceedings of the 1st ACM Workshop on Audio and Music Computing Multimedia, S 77–82

    Google Scholar 

  • Slaney M, White W (2007) Similarity based on rating data. In: ISMIR ’07 – Proceedings of the 2007 International Symposium on Music Information Retrieval, S 479–484

    Google Scholar 

  • Tzanetakis G (2002) Manipulation, analysis and retrieval systems for audio signals. Dissertation, Princeton University

    Google Scholar 

  • van Gulik R, Vignoli F (2005) Visual playlist generation on the artist map. In: ISMIR ’05 – Proceedings of the 2005 International Symposium on Music Information Retrieval, S 520–523

    Google Scholar 

  • Vatolkin I, Preuß M, Rudolph G (2011) Multi-objective feature selection in music genre and style recognition tasks. In: GECCO ’11 – Proceedings of the 13th Annual Conference on Genetic and Evolutionary Computation, S 411–418

    Google Scholar 

  • Zentner A (2006) Measuring the effect of file sharing on music purchases. J Law Econ 49:63–90

    Article  Google Scholar 

  • Zheleva E, Guiver J, Mendes Rodrigues E, Milić-Frayling N (2010) Statistical models of music-listening sessions in social media. In: WWW ’10 – Proceedings of the 2010 International Conference on World Wide Web, S 1019–1028

    Google Scholar 

Weiterführende Literatur

  • Bonnin G, Jannach D (2014) Automated generation of music playlists: survey and experiments. ACM Computing Surveys 47(2): 1–35. Die Arbeit klassifiziert aktuelle Forschungsansätze zur automatischen Erzeugung von Playlisten, stellt Methoden zur Qualitätsbestimmung dar und zieht einen quantitativen Vergleich typischer Verfahren für Musikempfehlungen.

    Google Scholar 

  • Celma Ò (2010) Music recommendation and discovery: the long tail, long fail, and long play in the digital music space. Springer, Berlin. Anhand praktischer Beispiele gibt das Buch eine Einführung in Musikempfehlungssysteme und beschäftigt sich insbesondere mit den Einschränkungen und Problemen aktueller Ansätze in Bezug auf die Vielfalt und Nützlichkeit der Empfehlungen

    Book  Google Scholar 

  • Jannach D, Zanker M, Felfernig A, Friedrich G (2011) Recommender systems – an introduction. Cambridge University Press, New York. Das Lehrbuch bietet einen Überblick über die verschiedenen Arten von Empfehlungssystemen, stellt aktuelle Ansätze und Fragestellungen aus der Forschung vor und diskutiert anhand von Fallstudien Möglichkeiten zur Bestimmung der Effektivität von Empfehlungssystemen

    Google Scholar 

  • Kaminskas M, Ricci F (2012) Contextual music information retrieval and recommendation: state of the art and challenges. Computer Science Review 6(2):89–119. Die Arbeit bietet einen allgemeinen Überblick über Konzepte von Music Information Retrieval und Musikempfehlungssystemen und behandelt vor allem das Thema der sozialen und kontextbasierten Systeme in diesem Bereich

    Article  Google Scholar 

  • Ricci F, Rokach L, Shapira B, Kantor PB (2010) Recommender systems handbook. Springer, New York. Neben einer allgemeinen Einführung in das Thema bietet das Buch weitreichende Einblicke in Konzepte, Theorien, Methoden, Trends, Herausforderungen und Anwendungsmöglichkeiten von Empfehlungssystemen, die von Experten aus den jeweiligen Teildisziplinen zusammengetragen wurden

    Google Scholar 

Internetlinks

Download references

Author information

Authors and Affiliations

  1. Lehrstuhl Informatik 13, TU Dortmund, Otto-Hahn-Straße 12, 44227, Dortmund, Deutschland

    Dietmar Jannach

  2. Universitätsbibliothek Dortmund, TU Dortmund, Vogelpothsweg 76, 44227, Dortmund, Deutschland

    Lukas Lerche

  3. LORIA Campus Scientifique, 615 Rue du Jardin botanique, F54506, Vandœuvre-lés-Nancy, Frankreich

    Geoffray Bonnin

Authors
  1. Dietmar Jannach
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Lukas Lerche
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Geoffray Bonnin
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Dietmar Jannach .

Editor information

Editors and Affiliations

  1. Dortmund, Germany

    Günther Rötter

Rights and permissions

Reprints and permissions

Copyright information

© 2016 Springer Fachmedien Wiesbaden GmbH

About this entry

Cite this entry

Jannach, D., Lerche, L., Bonnin, G. (2016). Empfehlungssysteme, automatische Erzeugung von Wiedergabelisten und Musikdatenbanken. In: Rötter, G. (eds) Handbuch Funktionale Musik. Springer Reference Psychologie . Springer, Wiesbaden. https://doi.org/10.1007/978-3-658-14362-6_5-1

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-14362-6_5-1

  • Received:

  • Accepted:

  • Published:

  • Publisher Name: Springer, Wiesbaden

  • Print ISBN: 978-3-658-14362-6

  • Online ISBN: 978-3-658-14362-6

  • eBook Packages: Living Reference Psychologie

Publish with us

Policies and ethics

Search

Navigation