- Neue Studie unter Grazer Federführung ermittelte die Treffsicherheit von vier gängigen Musikempfehlungsalgorithmen
- Hörerinnen und Hörer von Mainstream-Musik erhalten offenbar treffendere Musikempfehlungen als Hörerinnen und Hörer von Nicht-Mainstream-Musik
- Die Ergebnisse könnten zu besseren Musikempfehlungsdiensten führen
Eine im renommierten Open-Access-Journal EPJ Data Science veröffentlichte Studie weist darauf hin, dass Musikempfehlungen für Liebhaber von Nicht-Mainstream Musik wie zum Beispiel Hardrock und Ambient möglicherweise weniger zutreffend sind als jene für Hörerinnen und Hörer von Mainstream-Musik wie zum Beispiel Pop.
Ein Team von Forschenden des Know-Centers, der Technischen Universität Graz, der Johannes Kepler Universität Linz, der Universität Innsbruck und der Universität Utrecht (Niederlande) hat die Treffsicherheit von Algorithmus-basierten Musikempfehlungen für Hörerinnen und Hörer von Mainstream- und Nicht-Mainstream-Musik untersucht. Dafür wurde ein Datensatz des bisherigen Hörverhaltens von 4.148 Nutzerinnen und Nutzern der Musik-Streaming-Plattform Last.fm verwendet, von denen die eine Hälfte vorwiegend Nicht-Mainstream- und die andere Hälfte vorwiegend Mainstream-Musik hörte.
„Da immer mehr Musik über Musik-Streaming-Dienste verfügbar ist, sind Empfehlungssysteme für das Suchen, Sortieren und Filtern umfangreicher Musiksammlungen unentbehrlich geworden. Die Qualität der Empfehlungen vieler hochmoderner Musikempfehlungstechniken für Nicht-Mainstream-Musikhörer lässt aber noch einiges zu wünschen übrig. In unserer Studie haben wir herausgefunden, dass sich die Offenheit von Hörerinnen und Hörern für Musik abseits der eigenen Hörpräferenzen, positiv auf die Qualität von Empfehlungen auswirkt. Der sogenannte ‚Blick über den Tellerrand‘ zahlt sich also auch beim Musikhören aus“, erklärt Dominik Kowald, Erstautor der Studie und wissenschaftlicher Leiter des Forschungsbereichs Social Computing am Know-Center.
Algorithmus klassifiziert Musikhörer
„Wir haben zunächst ein Computermodell mit jenen Künstlerinnen und Künstlern erstellt, die von den Nutzerinnen und Nutzern am häufigsten gehört wurden. Anhand dieses Modells konnten wir vorhersagen, wie wahrscheinlich es ist, dass die Empfehlung von vier gängigen Musikempfehlungsalgorithmen den individuellen Hörgeschmack tatsächlich trifft. Das Ergebnis legt nahe, dass Hörerinnen und Hörer von Mainstream-Musik offenbar treffendere Musikempfehlungen erhalten als Hörerinnen und Hörer von Nicht-Mainstream-Musik“, so Elisabeth Lex, wissenschaftliche Leiterin der Studie und Assoziierte Professorin am Institute of Interactive Systems and Data Science der Technischen Universität Graz.
Die Hörerinnen und Hörer von Nicht-Mainstream-Musik wurden durch einen Algorithmus anhand der Charakteristika der Musik, die sie am häufigsten hörten, in folgende Kategorien eingeteilt: Hörerinnen und Hörer von Musikgenres, die ausschließlich mit akustischen Instrumenten gespielt werden (z.B. Folk), Hörerinnen und Hörer von energiegeladener Musik (Hardrock, Hip-Hop), Hörerinnen und Hörer von Musik mit akustischen Instrumenten aber ohne Gesang (z.B. Ambient) und Hörerinnen und Hörer von energiegeladener Musik ohne Gesang (z.B. Electronica).
Die Forschenden verglichen die Hörgewohnheiten der einzelnen Gruppen miteinander und ermittelten, welche Personen am häufigsten Musik außerhalb ihrer bevorzugten Genres hörten und wie breit gestreut die gehörten Musikgenres innerhalb jeder Gruppe waren. Wer hauptsächlich Musik wie Ambient hörte, wies am ehesten eine Bereitschaft auf, sich auch auf Musik einzulassen, die eigentlich von Hardrock-, Folk- oder Electronica-Fans bevorzugt wurde. Personen mit einer Vorliebe für energiegeladene Musik waren am wenigsten geneigt, Musik zu hören, die von der Folk-, Electronica- oder Ambient-Anhängerschaft bevorzugt wurde. Sie hörten stattdessen die größte Vielfalt an Genres, zum Beispiel Hardrock, Punk, Singer/Songwriter und Hip-Hop.
Verzerrte Musikempfehlungsalgorithmen
Anhand des Computermodells prognostizierten die Forschenden, wie wahrscheinlich es ist, dass den verschiedenen Gruppen Nicht-Mainstream-Musikhörender die von den vier gängigen Musikempfehlungsalgorithmen generierten Empfehlungen tatsächlich gefielen. Die Empfehlungen für Liebhaber überwiegend energiegeladener Musik schienen am wenigsten zutreffend zu sein, während sie bei Ambient-Hörenden die höchste Treffsicherheit erreichten.
Stefanie Lindstaedt, CEO Know-Center sagt dazu: „Am Know-Center forschen wir an intelligenten Recommender-Algorithmen für die unterschiedlichsten Inhalte und Anwendungsdomänen. Dabei tritt häufig das Problem auf, dass für Nutzerinnen und Nutzer, die keine Mainstream-Vorlieben haben, oder für selten verwendete Inhalte keine guten Vorschläge generiert werden. Wir sind hier einen wesentlichen Schritt weitergekommen und werden die Erkenntnisse der Studie in unsere Recommender-Angebote integrieren. Wir wollen das Wissen auch dazu verwenden, das Diskriminierungspotential von Algorithmen generell zu verringern, um die Entwicklung von vertrauenswürdiger künstlicher Intelligenz in Österreich und Europa voranzutreiben.“
Die Autorinnen und Autoren verweisen auf den potentiellen Nutzen ihrer Ergebnisse für die Entwicklung von Musikempfehlungssystemen, um bessere Empfehlungen für Musikbegeisterte zu generieren, die sich abseits des Mainstreams bewegen. Sie schränken aber ein, dass ihre Analysen auf einer Stichprobe von Nutzerinnen und Nutzern des Online-Musikdienstes Last.fm beruhen und die Ergebnisse nicht unbedingt repräsentativ sind für alle Last.fm-Nutzerinnen und Nutzer oder für Personen, die andere Musik-Streaming-Plattformen verwenden.
Studie: Dominik KOWALD, Peter MUELLNER, Eva ZANGERLE, Christine BAUER, Markus SCHEDL, Elisabeth LEX. Support the Underground: Characteristics of Beyond-Mainstream Music Listeners. EPJ Data Science (2021)
https://doi.org/10.1140/epjds/s13688-021-00268-9
Kontakt:
Kowald, Dominik, Dipl.-Ing. Dr.techn. BSc
Know-Center | Research Area Manager Social Computing @ Know-Center
Tel.: +43 316 873 30846
dkowald@know-center.at
Elisabeth Lex, Assoc.Prof. Dipl.-Ing. Dr.techn.
TU Graz | Institut für Interaktive Systeme und Data Science
Tel.: +43 316 873 30841
elisabeth.lex@tugraz.at
