Content-­‐based  Analysis  of  Last.fm  Radio  Sta6ons  

1.  Introduc6on  

•  Last.fm  is  an  online  music  recommenda2on  and  streaming  service  that  enables  users  to  discover  new  music  based  on  their  previous  listening  experiences.  

•  The  service  allows  for  listening  to  radio  sta2ons  that  are  centered  around  a  given  ar2st  or  genre.  

•  Radio  sta2ons  are  compiled  based  on  the  users’  listening  history  and  social  tags.  

•  This  work  explored  the  audio  content  of  the  sta2ons  in  order  to  gain  insight  into  the  data  and  improve  the  exis2ng  service.  

4.  Analysis  I  –  Visualiza6on  of  sta6on  content  

•   Mul2dimensional  scaling  (MDS)  of  feature  vectors  of  each  sta2on.  

→  all  sta2ons  showed  a  clearly  iden2fiable  centre    

5.  Analysis  II  –  Homogeneity  of  sta6ons  

•   How  far  are  the  data  vectors  spread        across  the  feature  space?  

→  rock-­‐related  sta2ons  are  most  compact  →  techno-­‐related  sta2ons  are  the  least  homogeneous  

8.  Conclusion  

•  Analyses  gave  a  deeper  understanding  about  the  organisa2on  of  the  radio  sta2ons  and  about  the  rela2ons  of  musical  genres  in  general.  

•  Outlier  detec2on  procedure  enables  cleaning  up  radio  sta2ons  from  poten2al  unsuited  audio  tracks.  

2.  Overview  

Audio  content  analysis:  

radio  sta2ons   feature  extrac2on   analysis  

Pop  •   track  1  •   track  2  …  

Jazz  •   track  1  •   track  2  …  

Blues  •   track  1  •   track  2  …  

7.2  3.5  1.6  

5.1  8.6  0.7  

track  1   track  2  

feat.  1  feat.  2  feat.  3  

…  

3.0  4.1  2.9  

1.6  9.7  1.4  

track  1   track  2  

feat.  1  feat.  2  feat.  3  

…  

6.3  7.8  0.1  

5.7  3.9  1.1  

track  1   track  2  

feat.  1  feat.  2  feat.  3  

…  

Visualisa2on  of  content  within  each  sta2on  

Homogeneity  es2ma2on  

Outlier  detec2on  

Visualisa2on  of  sta2on  rela2ons  

3.  Feature  Extrac6on  

Features  from  highest  ranked  algorithm  of  the  MIREX  2009  “Audio  Music  Similarity  and  Retrieval”  task:  

•   Timbre  Features:  •  MFCCs  (32  dimensions)  •  Spectral  Contrast  (32  dim.)  

•   Rhythm  Features:  •  Onset  Pacerns     (125  dim.)  

med

ian  abs.  dev.  

6.  Analysis  III  –  Outliers  

•   Which  tracks  are  different  from  most  other  tracks  in  a  sta2on?  

→  tracks  with  large  amounts  of  silence  →  tracks  with  strong  transients  in  generally  non-­‐percussive  sta2ons  →  tracks  with  limited  frequency  response  (e.g.  vintage  recordings)  →  speech  tracks,  a  cappella  tracks,  tracks  with  less-­‐suited  content    

7.  Analysis  IV  –  Sta6on  rela6ons  

•   Mul2dimensional  scaling  of  feature  centers  of  all  sta2ons  

 →  map  of  musical  genres  

Holger  Kirchhoff  holger.kirchhoff@eecs.qmul.ac.uk  

Mark  Sandler  mark.sandler@eecs.qmul.ac.uk