Veel succesvolle apps en websites maken gebruik van aanbevelingssystemen. Bekende platforms die hier gebruik van maken, zijn voornamelijk online shops waarbij aanbevelingen worden gedaan aan de hand van recent aangeschafte producten. Er zijn ook muziek-aanbevelingssystemen, wat relevant is voor dit onderzoek. Enkele voorbeelden zijn:  Last.fm en Shazam.

         

Aanbevelingssystemen zijn software tools en technieken die aanbevelingen doen over bepaalde onderwerpen of items waar een gebruiker iets aan zou kunnen hebben. Muziek-aanbevelingssystemen doen dit ook. Muziek-aanbevelingssystemen kunnen de gebruiker helpen bij het vinden en ontdekken van relevante muziek-items. Deze systemen bieden de mogelijkheid aan de gebruiker om nieuwe muzieknummers en nieuwe artiesten te ontdekken (Braunhofer et al. 32). Er zijn verschillende muziek-aanbevelingstechnieken die gebruikt worden. De meest gebruikte technieken zijn gebaseerd op content (inhoud), in samenwerking met (collaboration) of sociale (social based) benaderingen, of een combinatie van de drie technieken (Braunhofer et al. 32).  Aanbevelingssystemen die gebaseerd zijn op content maken gebruik van de like functie. Hiermee kan zo een systeem andere gebruikers muziek aanbevelen (33). Ten tweede zijn er de systemen die gebaseerd zijn op samenwerking. Deze muziek-aanbevelingsystemen hebben een andere benadering. Ze zijn afhankelijk van user-generated evaluaties van muzieknummers. Deze benadering is dan ook gebaseerd op de notie dat soortgelijke gebruikers dezelfde muzieknummers leuk vinden, ze worden als het ware gecategoriseerd. Dit type aanbevelingssysteem exploiteert de dataset van evaluaties die user-generated zijn. Met behulp van deze evaluaties voorspellen ze ongeziene en onbekende items (muzieknummers). Vervolgens doen ze aanbevelingen voor de items met de beste voorspellingen. Op deze manier kunnen gebruikers nieuwe artiesten of muzieknummers ontdekken. De derde benadering is de benadering met een sociale 'basis'. Deze benadering wordt ook wel "content-based information retrieval" genoemd (Wang et al. 403).  Er wordt bij het aanbevelen van muziek gebruikgemaakt van publieke opinie. De websites die hier een grote rol bij spelen zijn de sociale netwerksites: Facebook, YouTube en Twitter. De reden hiervoor is dat deze websites veel belangrijke informatie bieden zoals comments, muziek recensies, vriendschapsnetwerken en tags. Hierbij wordt er gekeken naar gelijkenissen tussen de muziek-items die worden aanbevolen. Dit wordt gedaan door middel van web mining technieken of door het exploiteren van informatie die voortkomt uit het sociale taggen door gebruikers (33). De web mining technieken filteren alle belangrijke informatie uit deze websites. Het aanbevelen bij deze benadering wordt dus gedaan door de sociale activiteiten van de gebruikers. Het systeem bekijkt activiteiten van gebruikers, vergelijkt deze en categoriseert de gebruikers en hun tags, likes en comments. Hieruit volgen er aanbevelingen. Er bestaan ook hybride-aanbevelingssystemen. Dit zijn combinaties van de eerder genoemde systemen (33).

 

Muziek-aanbevelingssystemen maken bij het aanbevelen van muziek ook gebruik van algoritme. Algoritme speelt een belangrijke rol bij het selecteren van informatie die voor de gebruiker relevant zou kunnen zijn (Gillespie). Er bestaat ook iets als aanbevelingsalgoritme. Dit is een type algoritme dat op basis van interesse informatie filtert. Wat meestal het geval is bij "search" algoritmes (Gillespie). De uitkomst bij dit soort algoritme is afhankelijk van de input van de gebruiker. Bij platforms die gebruikmaken van de like-functie of app's en die samenwerken met zulke platforms, gaat er een algoritme in werking. Dit algoritme voorspelt wat de gebruiker leuk zou kunnen vinden op basis van de door de gebruiker eerder gelikete items (Gillespie).

           

Wat voor soort muziek-aanbevelingssysteem zou Shazam zijn? In de analyse van Shazam geven wij hier antwoord op.