This thesis proposes a two-stage recommendation system for providing music recommendations based on seed playlists as inputs. The goal is to help businesses find relevant and brand-fit music to play in their venues. The problem of recommending music using machine learning has been investigated quite a bit in both academia and the industry, with collaborative filtering and content-based filtering being the major approaches used. One of the difficulties of creating a recommendation system is how to evaluate it. In this thesis, both a quantitative and a qualitative evaluation are made to determine how well the results correspond to the actual quality of recommendations. The application of recommending music to businesses also poses different problems than a service directed at end consumers, mostly related to how many track recommendations are needed. A two-stage approach was used with Stage 1 producing candidates and a Stage 2 model using a neural network comparing five tracks from the playlist with a candidate was used to rank said candidates. The results show that the Stage 2 model has substantially better results in both the qualitative and quantitative evaluation compared to Stage 1. The quality of the recommendations from the whole system is not completely satisfactory, and some possible reasons for this are discussed, including improving the Stage 1 candidate generator (which was not modified in the scope of this thesis). / Automatisk musikrekommendation med hjälp av maskininlärning har utforskats av både industrin och akademin genom åren, där två huvudsakliga metoder utkristalliserats: collaborative filtering samt content-based filtering. I det här arbetet har en content-based modell tagits fram, uppdelad i två stadier: Steg 1 som genererar kandidater som Steg 2 sedan ordnade om med hjälp av ett neuralt nätverk som jämförde 5 låtar i taget från en spellista med motsvarande kandidater genererade av Steg 1 En av svårigheterna med att skapa automatiska rekommendationer är utvärderingen av den. I det här arbetet har både en kvantitativ och kvalitativ studie utförts för att försäkra att resultaten motsvarar den faktiska kvaliten hos rekommendationerna. Slutmålet med att hjälpa företag med musikrekommendation ställer också unika problem att lösa i jämförelse med en tjänst för privatpersoner, framförallt relaterat till storleken på de returnerade rekommendationerna. Resultaten visade att Steg 2 lyckades rangordna rekommendationerna från Steg 1 på ett sätt som gav högre poäng i både den kvantitativa och kvalitativa utvärderingen av systemen. De slutgiltiga resultaten var inte helt tillfredsställande, och potentialla orsaker till detta diskuteras. Dessa inkluderar Steg 1 (som inte modifierades inom ramen för detta arbete). Utvärderingen visade dock att de kvantitativa utvärderingsramarna verkar motsvara den upplevda kvaliten hos rekommendationerna baserat på den kvalitativa utvärderingen.

Perceptual features are qualitative features used to describe music properties in relation to human perception instead of typical musical theory concepts such as pitches and chords. This report describes a music discovery platform which uses three different methods of music playlist generation to investigate if and how perceptual features work when used for music discovery. One method abstracts away the complexity of perceptual features and the other two lets users use them directly. Two user testing sessions were performed to evaluate the browser and compare the different methods. Test participants found the playlist generation to work well in general, and especially found the method which uses emotions as an interface to be intuitive, enjoyable and something they would use to find new music. The other two methods which let users directly interact with perceptual features were less popular, especially among users without musical education. Overall, using perceptual features for music discovery was successful, although methods should be chosen with the intended audience in mind. / Perceptuella särdrag är kvalitativt framtagna särdrag som beskriver musik med fokus på mänsklig perception snarare än musikteoribegrepp som tonhöjd och ackord. Den här rapporten beskriver en musikhemsida som använder tre olika metoder för att generera spellistor med avsikt att undersöka om och hur perceptuella särdrag fungerar för att hitta ny musik. En metod abstraherar bort perceptuella särdragens komplexitet och de andra två metoderna låter testare använda dem utan abstraktion. Två användbarhetstest utfördes för att utvärdera musikhemsidan och jämföra de olika metoderna. Testanvändare tyckte överlag att genereringen av spellistor fungerade bra och att speciellt metoden som använde känslor som gränssnitt var intuitiv, rolig att använda och en metod de skulle använda för att hitta ny musik. De andra två metoderna som tillät användare att direkt använda perceptuella särdrag var mindre populära, speciellt bland användare utan musikutbildning. Överlag var användandet av perceptuella särdrag för att hitta musik en framgång, dock bör metoderna väljas utifrån användarnas kunskap.