可视化与情感控制的交互式音乐流派探索

文献标题

Interactive Music Genre Exploration with Visualization and Mood Control

文献信息

• 主题领域: 音乐推荐系统与用户交互界面设计
• 关键词: 推荐系统, 交互设计, 可视化, 探索, 音乐, 情绪, 用户研究

研究背景与问题

• 研究问题与挑战: 推荐系统能够帮助用户发现新项目和探索新品味，但在如何提高用户对推荐内容的理解与接受，以及支持用户在新的领域中探索等方面研究较少。用户在探索陌生音乐类型时，可能难以理解推荐内容与个人偏好的关系，从而降低探索兴趣。

• 重要性: 消除“过滤气泡”（filter bubble）效应的愿景下，支持用户在推荐系统中探索和接受新偏好变得尤为重要。一旦用户无法关联推荐内容与其现有偏好，会打击用户深入探索的积极性。

• 研究动机与相关工作: 可视化和用户控制是改善推荐系统透明度、可解释性的重要方法。以互动方式展示用户与新音乐类型的关系，可以帮助用户理解推荐过程。此外，情绪是影响音乐偏好的重要因素。结合情绪滑块控制功能，可以进一步提升用户对推荐内容的感知和探索兴趣。

解决方案

• 方法与解决方案: 本研究设计并比较了两种不同的可视化方法：

  1. 柱状图可视化（Bar Chart Visualization）: 适用于解释推荐内容，用户可直接对比推荐曲目与当前偏好。
  2. 等高线图可视化（Contour Plot Visualization）: 将推荐内容、新音乐类型以及用户偏好在一个二维情绪空间（能量和正负情绪值）内展示，更具信息量。

  除此之外，还引入情绪控制滑块供用户调整推荐曲目的情绪特征（能量与正负情绪）。

• 创新之处:

  1. 将两种可视化技术与情绪控制结合，赋予用户高度透明和可操作的交互体验。
  2. 等高线图提供了一个综合视图，展示推荐项、用户偏好和新音乐类型的分布关系。
  3. 配以用户控制滑块，从情绪维度调整推荐，进一步提升个性化体验。

• 实施步骤与技术:

  1. 提取用户的 Spotify 听歌数据，建立基于特征的 Gaussian Mixture Model (GMM) 用户偏好模型。
  2. 提供三种推荐算法（个性化、非个性化、混合），最终采用混合方法以平衡个性化与新音乐类型需求。
  3. 在可视化界面中，用户通过滑块调整情绪偏好，同时在柱状图或等高线图中观察推荐内容的变化。

研究成果

• 具体成果:

  • 用户认为等高线图比柱状图更具信息性，能够帮助他们更好地理解推荐内容和新音乐类型。
  • 配备情绪控制的等高线图在帮助用户探索新音乐类型方面表现最佳。
  • 用户在等高线图中花费更多时间，并更多使用情绪滑块。
  • 无论采用何种可视化，参与者对推荐内容的理解性和控制感均有所提升。

• 与现有解决方案比较的优势:

  • 等高线图增强了推荐内容的透明度，同时帮助用户理解推荐如何在其偏好与目标音乐类型之间达成平衡。
  • 情绪滑块配合等高线图，进一步提高了互动性和用户探索的深度。

• 实验或评估结果:

  • 在 102 名参与者的用户研究中，测试了无情绪滑块和带滑块、柱状图和等高线图的四种条件。分析表明:
    • 等高线图显著提高了用户对系统的感知控制感、信息量及可理解性，从而提高了整体探索的帮助性。
    • 情绪控制的效果在等高线图中表现更显著。
    • 用户的交互行为（例如滑块使用频率与探索时间）也支持了这些主观感知的提升。

• 局限性与未来方向:

  • 局限性: 参与者主要为大学生，其对于复杂可视化数据的理解可能强于一般用户。
  • 未来方向: 扩展研究至不同人群，验证该方法在更广泛用户群体中的有效性。同时，进一步研究如何简化等高线图信息呈现，使其适合教育背景较低的用户。