Stephan Baumann (DFKI, ArtScientist, Ph.D Artificial Listening Systems, Music Retrieval & Social Media Experte) Inhaltsbasiert, kollaborativ, sozial, egal wie man es dreht, zeitgenössische Aggregations- und Filterungsmechanismen, die uns zum Musikgenuss- gar Kauf bewegen sollen, erzeugen E!ekte, die man mögen oder hassen kann. Ginge es auch anders? Hochselektiv, reduziert, emotional und wieviel Technologie ist hierbei im Spiel.

2. yet another
SocialFacebookiPh
oneAndroidTwitte
rHotMusicSharing
StreamingApp ???
HORST 17.09.2009

3. Nein.
HORST 17.09.2009

4. HOlistic Recommender & Storytelling Technology

5. HORST = 1 Option
?
HORST 17.09.2009

6. Die sogenannten
User sind ja auch
Menschen.
Vielfalt, Emotion.
HORST 17.09.2009

7. HORST 17.09.2009

8. HORST 17.09.2009

9. HORST 17.09.2009

10. HORST 17.09.2009

11. HORST 17.09.2009

12. TYP
Musiker,
Musikpoweruser, Konzertgänger, CD-Käufer
Computerforscher (DFKI),
Recommender Vorlesung (Pop Akademie),
Social Media Projektleiter (DFKI Berlin),
Gründer
MUSIC INTEREST
Electronica, Funk, Soul, Hamburger Schule,
Indietronics, Glitch, Minimal, Jazz, NuTango
MOOD
Context-related: Concentrated <> Ecstatic
HORST 17.09.2009

13. HORST 17.09.2009

14. Technologie ist
toll. Manchmal ein
wenig kühl.
Vielfalt, Präzision.
HORST 17.09.2009

15. Empfehlungsmaschinen
funktionieren prinzipiell ...
3 klassische Ansätze:
- Collaborative Filtering (CF)
- Content-Based Filtering (CBF)
- Hybrid: Kombinationen von CF+CBF
Neuere Ansätze
- Social: Blip,Hypemachine,TwitterDJ,Mashups
- Semantic: DBTune
HORST 17.09.2009

16. Collaborative Filtering:
Implizit/Explizit per User
Stephan Martin Dominik!
Song Nr.1 60mal / Tag - 99mal / 2005!
Song Nr.2 3 mal / Woche 4mal / 2005 -!
Song Nr.3 1 mal / 2006 20mal / Woche -!
HORST 17.09.2009

17. Content-based Filtering:
Manuelle Erfassung
Tonart Taktart Geschlecht!
Song Nr.1 D Moll 4/4 weiblich!
Song Nr.2 D Dur 3/4 männlich!
Song Nr.3 A Dur 4/4 -!
HORST 17.09.2009

18. Content-based Filtering:
Maschinelle Erfassung
Klangverlauf WWW-Infos Liedtext!
Song Nr.1 funky, Duo „..so lovely..“!
Song Nr.2 traditionell „ .. my Love“!
Song Nr.3 instrumental „“!
HORST 17.09.2009

19. Social: Blogs, Microblogs,
Mashups, ...
HORST 17.09.2009

20. Social: Blogs, Microblogs,
Mashups, ...
HORST 17.09.2009

21. Social: Blogs, Microblogs,
Mashups(G.Jost), ...
!"#$%%$&'()*&++,,,-./.$01234%#%%-5/.+6778+76+%29:.;(4*$;.25(<0$;=%<*>.;
=$91;.#9<5;9$3?<5$+@'
HORST 17.09.2009

22. Social: Blogs, Microblogs,
Mashups(J.Herkowitz), ...
!"#$%%$&'()&**+++,-%./0%%1234,4.5*6778*79*%0:$2:;$<)$=15$>:;/%1)?5;
=$4.55$>@$=,':5%AB
HORST 17.09.2009

23. Empfehlungsmaschinen
funktionieren ... gut genug?
[MagnoSable ISMIR2008] A Comparison of
Signal-based Music Recommendation to Genre
Labels, Collaborative Filtering, Musicological
Analysis, Human Recommendation, and
Random Baseline
!!! 15 Probanden !!! YES
HORST 17.09.2009

24. Empfehlungsmaschinen
funktionieren ... gut genug?
[PachetRoy ISMIR2008] Hit Song Science is not
yet a Science
!!! 32.000 Songs, HIFIND Experten Daten!!! NO
HORST 17.09.2009

25. Empfehlungsmaschinen
funktionieren ... gut genug?
[GodfreyChordia ISMIR2008] Hubs and
Homogenity: Improving Content-Based Music
Modeling
!!! 617 Songs, OpenNap Experten Daten!!! ?
HORST 17.09.2009

26. Empfehlungsmaschinen
funktionieren ... gut genug?
[Salganik et al SCIENCE2006] Experimental
Study of Inequality and Unpredictability in an
Artifical Cultural Market
!!! 14341 Probanden !!! NO
HORST 17.09.2009

27. Empfehlungsmaschinen
funktionieren ... gut genug?
[FlederHosanagar ManagementScience2009]
Blockbuster Culture‘s Next Rise or Fall: The
Impact of Recommender Systems on Sales
Diversity
!!! Mathemat.Simulation !!! ?
HORST 17.09.2009

28. Empfehlungsmaschinen
funktionieren ... gut genug?
[BergerLeMens PNAS2009] How Adoption
Speed affects the Abandonment of Cultural
Tastes
!!! Verwendung statistischer externer Daten !!!
„adopt
quickly=die
fast“
HORST 17.09.2009

29. Empfehlungsmaschinen
funktionieren ... gut genug?
[Celma PH.D THESIS2009] Music
Recommendation and Discovery in the Long Tail
!!! 288 Probanden !!!
!!! 3 verschiedene Empfehlungssysteme!!! CF even
better than
HYBRID
HORST 17.09.2009

30. Semantik und
Storytelling, was
soll das jetzt?
HORST 17.09.2009

31. Musikalische Fakten sind
digital verfügbar
HORST 17.09.2009

32. Was ist damit möglich?
Konzepte Virgin Suicides
Alltogether Miner‘s Son
Sofia Coppola
Beth Hirsch Rhodes
J.B. Dunkel Thomas Mars Lost in Translation
Etienne de Crecy PHOENIX Too Young
AIR
ORANGE Pharell Williams Angel
Eyewater
CASSIUS Feeling for you
Gwen McRae
Philippe Zdar All this love that I‘m giving
HORST 17.09.2009

33. Was ist damit möglich?
Beziehungen
directed
composed contains
composed played married
friends directed
member
lead singer
tour manager contains soundtrack
composed
friends 2006 charts 65
related performed
member composed
worked with
composed performed
member
contains a sample
HORST 17.09.2009

34. Was ist damit möglich?
Jeder Pfad eine Story! Virgin Suicides
Alltogether Miner‘s Son
composed contains directed
Sofia Coppola
composed Beth Hirsch Rhodes married
friends played directed
J.B. Dunkel Thomas Mars Lost in Translation
member lead singer
Etienne de Crecy PHOENIX Too Young contains soundtrack
tour manager composed
AIR friends 2006 charts 65
ORANGE related Pharell Williams Angel
member composed Eyewater
worked with performed
CASSIUS Feeling for you
composed performed
member contains a sample Gwen McRae
Philippe Zdar All this love that I‘m giving
HORST 17.09.2009

35. Jeder Pfad eine Story!
Persönliche Aspekte Virgin Suicides
Alltogether Miner‘s Son
composed contains directed
Sofia Coppola
composed Beth Hirsch Rhodes married
friends played directed
J.B. Dunkel Thomas Mars Lost in Translation
member lead singer
Etienne de Crecy PHOENIX Too Young contains soundtrack
tour manager composed
AIR friends 2006 charts 65
ORANGE related Pharell Williams Angel
member composed Eyewater
worked with performed
CASSIUS Feeling for you
composed performed
member contains a sample Gwen McRae
Philippe Zdar All this love that I‘m giving
HORST 17.09.2009

36. Interessante
Stories von
Maschinen? ja,
das ist hart, ergo
forschungsreleva
nt
HORST 17.09.2009

37. „Fresh Brainfood“
Algorithm Design
[Wilcock 200x] Talking OWLs: Towards an
Ontology Verbalizer
[Galanis et al 2009] An Open-Source Natural
Language Generator for OWL Ontologies and its
Use in Protégé and Second Life
[Górka et al 2007] Information System Based on
Natural Language Generation from Ontology
HORST 17.09.2009

38. Budget?
Sie machen wohl
Witze. 100% VC-
free, kein direktes
Research Funding
HORST 17.09.2009

39. GRAFIX
HORST 17.09.2009

40. Co-Work: Co-Create, Co-
Design, Co-Research, Co-X
Visual & Brand Design: 2erPack
Research & Experience Design: DFKI,...
CBF+CF-Product Support: BMAT(?),DFKI-Openeer,...
Social Media Monitoring: tiqqer(?),...
MusicBiz Feedback: Sony,Aupeo,MotorFM,Musicload
SocioCulturalMusicManagement Input+Students:
Pop Akademie SMIXLab, Universität Potsdam,...
HORST 17.09.2009

41. ... und die
sogenannten User
abholen ...
Vielfalt, Emotion!
HORST 17.09.2009

42. ... wenigstens
viral?
Identifikationspot
enzial scheint
vorhanden
HORST 17.09.2009

43. lovehorst.com