유사 음악 추천을 위한 효율적인 맵리듀스 알고리즘

Abstract

Recently as the music streaming service market is growing rapidly and users become more comfortable listening to music anytime and anywhere the demand of music streaming services has increased. Accordingly the music site provides a user-customized music recommendation service in various ways in order to attract more new users and maintain existing users. In the past direct user input was needed to recommend music to the users taste But now music sites automatically analyze users interest artists and recent music play records and use them as information for customized music recommendation services. One of using the information of the analyzed user to provide customized music recommendation services is an item-based collaborative filtering method. This is the way to recommend music of the same genre as the music genre that users prefer. Existing collaborative filtering genre-based recommendations are recommended only by relying on genre information directly entered by experts or artists in advance and each site that provides music has a different standard of genre classification. Some of the music is marked as a genre of the album to which the music belongs, so it is not classified as an objective genre. As a result it can be overlooked that other genre music may have similar moods. To solve these problems, research is being conducted to recommend similar music. but most of the existing research about similar music is focused on finding the same music, not on recommendation of music. It leads to inefficient calculations in analyzing musical characteristics. To objectively recommend similar music, music characteristics were analyzed by new method and K-means clustering method and MapReduce algorithm increased the efficiency of analysis. After analyzing the characteristics of music, the characteristic values were averaged. Similar distances between music were defined by calculating the characteristic distance with the averaged characteristic value and calculating the change distance with the MFCC characteristic sequence value. In order to solve the problem of inefficient calculation that requires similar distance between all music, the change distance calculation was reduced by grouping with the characteristic distance. K-means clustering and MapReduce algorithms were used to grouping and confirmed that MapReduce algorithms could make music recommendations more efficient than K-means clustering in multi-node cluster. ;최근 음악 스트리밍 시장 규모가 빠르게 성장하고 사용자가 언제 어디서든 음악을 듣는 것이 편해지면서 사용자의 음악 스트리밍 서비스에 대한 수요가 증가하였다. 이에 따라 음원 사이트는 더 많은 사용자의 유입과 기존 사용자의 유지를 위하여 다양한 방법으로 사용자 맞춤 음악 추천 서비스를 제공하고 있다. 과거 사용자의 음악 취향에 맞춰 음악을 추천해주기 위해서 사전에 직접적인 사용자의 입력을 받았었던 것과 달리 현재 음원 사이트에서는 사용자의 관심 아티스트와 최근 음악 재생 기록을 자동으로 분석하여 맞춤 음악 추천 서비스를 위한 정보로 활용하고 있다. 사용자의 정보를 이용하여 사용자 맞춤 음악 추천 서비스를 제공하는 방법에는 아이템 기반 협업 필터링 방식이 있다. 이는 사용자의 선호 음악의 장르와 동일한 장르의 음악을 추천해주는 기법이다. 기존 협업 필터링 장르 기반 추천은 사전에 전문가나 아티스트에게 직접 입력받은 장르 정보에만 의존하여 추천하고 있어 음악을 제공하는 사이트마다 장르 구분 기준이 다른 문제점이 있다. 또한, 음악 앨범의 장르를 하나로 묶어서 표기하여 객관화된 장르 구분이 되고 있지 않아 타 장르여도 비슷한 분위기인 곡일 수 있음을 간과하고 있다. 이러한 문제를 해결하기 위하여 유사 음악을 추천하는 연구도 진행되고 있다. 그러나 기존 유사 음악을 찾는 연구는 대부분 추천이 아닌 동일 음원을 찾기에 초점이 맞춰져 있어 음악 특성 분석 시 비효율적인 계산량을 가져온다. 본 논문에서는 객관적인 유사 음악 추천을 위해 새로운 음악 특성 분석 방법을 제시하였고 분석의 효율성을 높이기 위해 K-means 클러스터링 방식과 맵리듀스 알고리즘을 제시한다. 음악 특성을 분석한 뒤 특성값을 평균화하였으며 평균화된 특성값으로 특징 거리를 구하고 곡의 흐름 비교에 사용되는 MFCC 특징값으로 변화 거리를 구하여 음악 간의 유사거리를 정의하였다. 유사거리를 구할 시 모든 음악 간의 유사거리를 구해야 하는 비효율적인 계산량의 문제를 해결하고자 특징 거리로 우선 그룹화를 하여 변화 거리를 구하는 방식으로 계산량을 줄였다. 그룹화 방식으로는 K-means 클러스터링과 맵리듀스 알고리즘을 활용하였고 K-means 클러스터링으로 그룹화를 하였을 때보다 맵리듀스 알고리즘으로 다중 노드 클러스터에서 그룹화하였을 때가 더 효율적인 음악 추천을 할 수 있다.