Strömmande musiktjänster erbjuder ett stort utbud av musik. Förutom att användare kan skapa egna listor från detta utbud, erbjuder tjänsterna ofta personliga rekommendationer. Även om rekommendationerna passar användaren väl, passar de inte alltid för situationen de befinner sig i. I denna studie presenteras en artefakt i form av en kontextmedveten musikapplikation som använder Spotify för rekommendation och uppspelning av musik. En kontextmedveten musikapplikation är en applikation som tar användarens kontext i beaktning vid musikrekommendation. I denna studie refererar kontext till den situation som en potentiell användare befinner sig i, exempelvis "ute och springer i parken klockan tre". Vi presenterar en enkätundersökning om vilka kontextuella faktorer användare tycker är viktiga, och frågor kring lyssnarbeteende. Artefakten testas i en användarstudie och resultaten analyseras och diskuteras i relation till tidigare forskning. Vi ser att användare har en positiv inställning till att kontextuella faktorer påverkar vilken musik de lyssnar på, och att det finns en positiv inställning till kontextmedvetna musikapplikationer. Vidare ser vi att aktivitet är den mest relevanta kontextuella faktorn för användare. / Music streaming services offer a large quantity of music. Apart from users being able to create their own playlists, these services also offer personal music recommendations. Even though these recommendations meet the users preferences, they don't always fit the users current situation. In this study, we present an artifact in the shape of a context-aware music recommender application, that uses Spotify services to recommend and handle playback of music. A context-aware music application is an application that takes a users current context in consideration when recommending music. In this study, context-aware refers to the situation a given user might find themselves in, e.g. "jogging in the park at 3pm". We present a questionnaire about which contextual factors users think are important, and questions about listening preferences. The artifact is tested in a user study, and the results are analysed and discussed in relation to previous studies. We found that users have a positive attitude towards contextual factors influencing which music they listen to, and that there is a positive attitude towards contextual music recommenders. Furthermore we found that activity is the most relevant contextuall factor to users.

Currently, more and more people use music streaming websites to listen to music, and a music recommendation service is commonly provided on the music streaming websites. A good music recommender system improves people’s user experience of music streaming websites. Nevertheless, there are some issues regarding the existing music recommender systems that need to be looked into.The purpose of this thesis is to identify the weaknesses of music recommender systems. Spotify, a Swedish music streaming website, has a large number of users. As it is a widely known streaming service, it seems appropriate for a case study on the drawbacks of music recommender systems.The case study method has been chosen for doing this research. The process of making up this thesis was divided into three stages. At the first stage, some basic preparations for the thesis were done. The second stage was characterized by some empirical work, like interviews and questionnaires, to collect the required data. Those empirical findings were analyzed in the third part to help us to identify and define the drawbacks.The research results presented in this thesis contribute to close several knowledge gaps in the area of music recommender systems and could thus be beneficial to different actors: streaming website operators to identify drawbacks of their recommender system; designers of recommender systems to improve system design; and, last but not least, this thesis provides some useful advice to those who market music streaming websites.This thesis does not focus on the technical and algorithm fields, i.e. the hardware- and software-related background. Instead, the idea and the functions of the recommender system, its feedback loop and the user experience were subject to our research and discussion. The results of the thesis can provide those responsible with both and inspiration for creating more customized recommender systems.

Pendant la dernière décennie nous avons vu une transformation incroyable du monde de la musique qui est passé des cassettes et disques compacts à la musique numérique en ligne. Avec l'explosion de la musique numérique, nous avons besoin de systèmes de recommandation de musique pour choisir les chansons susceptibles d’être appréciés à partir de ces énormes bases de données en ligne ou personnelles. Actuellement, la plupart des systèmes de recommandation de musique utilisent l’algorithme de filtrage collaboratif ou celui du filtrage à base de contenu. Dans ce mémoire, nous proposons un algorithme hybride et original qui combine le filtrage collaboratif avec le filtrage basé sur étiquetage, amélioré par la technique de filtrage basée sur le contexte d’utilisation afin de produire de meilleures recommandations. Notre approche suppose que les préférences de l'utilisateur changent selon le contexte d'utilisation. Par exemple, un utilisateur écoute un genre de musique en conduisant vers son travail, un autre type en voyageant avec la famille en vacances, un autre pendant une soirée romantique ou aux fêtes. De plus, si la sélection a été générée pour plus d'un utilisateur (voyage en famille, fête) le système proposera des chansons en fonction des préférences de tous ces utilisateurs. L'objectif principal de notre système est de recommander à l'utilisateur de la musique à partir de sa collection personnelle ou à partir de la collection du système, les nouveautés et les prochains concerts. Un autre objectif de notre système sera de collecter des données provenant de sources extérieures, en s'appuyant sur des techniques de crawling et sur les flux RSS pour offrir des informations reliées à la musique tels que: les nouveautés, les prochains concerts, les paroles et les artistes similaires. Nous essayerons d’unifier des ensembles de données disponibles gratuitement sur le Web tels que les habitudes d’écoute de Last.fm, la base de données de la musique de MusicBrainz et les étiquettes des MusicStrands afin d'obtenir des identificateurs uniques pour les chansons, les albums et les artistes. / In the last decade we have seen an incredible transformation of the world of music, from cassette tapes and compact discs to online digital music. With the explosion of the digital music we need music recommender systems to select those probably preferred songs from these huge online or personal databases. Currently, most music recommender systems use either collaborative (social) filtering or content-based algorithms. In this work we propose an original hybrid collaborative and tag-based algorithm improved by the context-of-use filtering technique in order to generate better playlists. Our approach assumes that user preferences change depending on the context of use. For example, a user listen one kind of music while driving to work, another type while traveling with the family on vacation, another one in a romantic evening or at parties. Additionally, if the playlist was generated for more than one user (family trip, party) the system will propose songs depending on the preferences of all these users. The main goal of our system is to recommend music to the user from the personal music collection or new music from system music collection, new releases and incoming concerts. Another goal of our system it will be to gather data from external sources based on crawling techniques and RSS Feeds to provide music related content like: new releases, incoming concerts, lyrics, similar artists. We’ll try to interlink some free available datasets on the web like listening habits from Last.fm, music database from MusicBrainz and tags from MusicStrands in order to obtain unique identifiers for songs, albums and artists.

Pendant la dernière décennie nous avons vu une transformation incroyable du monde de la musique qui est passé des cassettes et disques compacts à la musique numérique en ligne. Avec l'explosion de la musique numérique, nous avons besoin de systèmes de recommandation de musique pour choisir les chansons susceptibles d’être appréciés à partir de ces énormes bases de données en ligne ou personnelles. Actuellement, la plupart des systèmes de recommandation de musique utilisent l’algorithme de filtrage collaboratif ou celui du filtrage à base de contenu. Dans ce mémoire, nous proposons un algorithme hybride et original qui combine le filtrage collaboratif avec le filtrage basé sur étiquetage, amélioré par la technique de filtrage basée sur le contexte d’utilisation afin de produire de meilleures recommandations. Notre approche suppose que les préférences de l'utilisateur changent selon le contexte d'utilisation. Par exemple, un utilisateur écoute un genre de musique en conduisant vers son travail, un autre type en voyageant avec la famille en vacances, un autre pendant une soirée romantique ou aux fêtes. De plus, si la sélection a été générée pour plus d'un utilisateur (voyage en famille, fête) le système proposera des chansons en fonction des préférences de tous ces utilisateurs. L'objectif principal de notre système est de recommander à l'utilisateur de la musique à partir de sa collection personnelle ou à partir de la collection du système, les nouveautés et les prochains concerts. Un autre objectif de notre système sera de collecter des données provenant de sources extérieures, en s'appuyant sur des techniques de crawling et sur les flux RSS pour offrir des informations reliées à la musique tels que: les nouveautés, les prochains concerts, les paroles et les artistes similaires. Nous essayerons d’unifier des ensembles de données disponibles gratuitement sur le Web tels que les habitudes d’écoute de Last.fm, la base de données de la musique de MusicBrainz et les étiquettes des MusicStrands afin d'obtenir des identificateurs uniques pour les chansons, les albums et les artistes. / In the last decade we have seen an incredible transformation of the world of music, from cassette tapes and compact discs to online digital music. With the explosion of the digital music we need music recommender systems to select those probably preferred songs from these huge online or personal databases. Currently, most music recommender systems use either collaborative (social) filtering or content-based algorithms. In this work we propose an original hybrid collaborative and tag-based algorithm improved by the context-of-use filtering technique in order to generate better playlists. Our approach assumes that user preferences change depending on the context of use. For example, a user listen one kind of music while driving to work, another type while traveling with the family on vacation, another one in a romantic evening or at parties. Additionally, if the playlist was generated for more than one user (family trip, party) the system will propose songs depending on the preferences of all these users. The main goal of our system is to recommend music to the user from the personal music collection or new music from system music collection, new releases and incoming concerts. Another goal of our system it will be to gather data from external sources based on crawling techniques and RSS Feeds to provide music related content like: new releases, incoming concerts, lyrics, similar artists. We’ll try to interlink some free available datasets on the web like listening habits from Last.fm, music database from MusicBrainz and tags from MusicStrands in order to obtain unique identifiers for songs, albums and artists.