Mobile music marketing: willingness towards mobile music recommendations and viral marketing

Matkapuhelimet ovat uusia markkinointikanavia, joiden avulla ihmiset voidaan tavoittaa melkein missä ja milloin vain. Mobiilimarkkinoinnin avulla on mahdollista lähettää henkilökohtaisia mainosviestejä tai tarjota kullekin parhaiten sopivia palveluja. Viraalimarkkinointia voidaan käyttää apuna viestien levittämisessä, aivan kuten internetmainonnassa. Tässä tutkimuksessa on keskitytty matkapuhelimiin lähetettäviin musiikkisuosituksiin sekä siihen miten ihmiset suhtautuvat niihin ja olisivatko he valmiita lähettämään viestejä edelleen kavereilleen. Mobiilimusiikkikysely tehtiin, jotta saataisiin selville asiakkaiden halukkuutta vastaanottaa musiikkisuosituksia matkapuhelimiin, sekä heidän halukkuuttaan viraalimarkkinointia kohtaan. Kyselyyn vastasi kaiken kaikkiaan lähes1300 opiskelijaa. Kyselyn tulokset osoittavat, että lisätutkimusta tulisi tehdä alle 18-vuotiaiden matkapuhelimenkäyttäjien joukossa. Tutkimuksen perusteella löydettiin tekijöitä, jotka vaikuttavat opiskelijoiden halukkuuteen vastaanottaa musiikkisuosituksia matkapuhelimiinsa sekä heidän halukkuuttaan viraalimarkkinointiin.

Kernel-Based Ranking. Methods for Learning and Performance Estimation

Machine learning provides tools for automated construction of predictive models in data intensive areas of engineering and science. The family of regularized kernel methods have in the recent years become one of the mainstream approaches to machine learning, due to a number of advantages the methods share. The approach provides theoretically well-founded solutions to the problems of under- and overfitting, allows learning from structured data, and has been empirically demonstrated to yield high predictive performance on a wide range of application domains. Historically, the problems of classification and regression have gained the majority of attention in the field. In this thesis we focus on another type of learning problem, that of learning to rank. In learning to rank, the aim is from a set of past observations to learn a ranking function that can order new objects according to how well they match some underlying criterion of goodness. As an important special case of the setting, we can recover the bipartite ranking problem, corresponding to maximizing the area under the ROC curve (AUC) in binary classification. Ranking applications appear in a large variety of settings, examples encountered in this thesis include document retrieval in web search, recommender systems, information extraction and automated parsing of natural language. We consider the pairwise approach to learning to rank, where ranking models are learned by minimizing the expected probability of ranking any two randomly drawn test examples incorrectly. The development of computationally efficient kernel methods, based on this approach, has in the past proven to be challenging. Moreover, it is not clear what techniques for estimating the predictive performance of learned models are the most reliable in the ranking setting, and how the techniques can be implemented efficiently. The contributions of this thesis are as follows. First, we develop RankRLS, a computationally efficient kernel method for learning to rank, that is based on minimizing a regularized pairwise least-squares loss. In addition to training methods, we introduce a variety of algorithms for tasks such as model selection, multi-output learning, and cross-validation, based on computational shortcuts from matrix algebra. Second, we improve the fastest known training method for the linear version of the RankSVM algorithm, which is one of the most well established methods for learning to rank. Third, we study the combination of the empirical kernel map and reduced set approximation, which allows the large-scale training of kernel machines using linear solvers, and propose computationally efficient solutions to cross-validation when using the approach. Next, we explore the problem of reliable cross-validation when using AUC as a performance criterion, through an extensive simulation study. We demonstrate that the proposed leave-pair-out cross-validation approach leads to more reliable performance estimation than commonly used alternative approaches. Finally, we present a case study on applying machine learning to information extraction from biomedical literature, which combines several of the approaches considered in the thesis. The thesis is divided into two parts. Part I provides the background for the research work and summarizes the most central results, Part II consists of the five original research articles that are the main contribution of this thesis.

Sumea suositin elokuville

Suositusmenetelmien tarkoituksena on auttaa käyttäjää löytämään häntä kiinnostavia asioita ja välttämään asioita, joista hän ei pitäisi. Suositusmenetelmät antavat suosituk- set yleensä terävinä lukuina. Tässä työssä kehitetään suositusmenetelmä, joka antaa suo- situkset arvosanojen sumeina jäsenyysasteina. Menetelmän antamat suositukset voidaan myös perustella käyttäjälle. Menetelmä kuuluu pääosin yhteisösuodatusmenetelmiin, jois- sa suositukset tehdään käyttäjien antamien arvosanojen perusteella, mutta myös tietoa elokuvien tyylilajeista hyödynnetään suositustarkkuuden parantamiseksi. Sumeiden suo- situsten suositeltavuusjärjestyksen laskemiseen esitetään myös menetelmä. Käyttäjien elokuville antamat arvosanat voidaan käsittää sumeana datana. Käyttäjä voi kuvata arvosanaa esimerkiksi ilmaisulla ”noin 4”. Tästä syystä on loogista esittää suo- situksetkin sumeina lukuina. Tällöin käyttäjälle voidaan antaa tietoa suosituksen tark- kuudesta ja mahdollisista ristiriidoista. Epävarmojen suositusten tapauksessa käyttäjä voi painottaa enemmän muita tietolähteitä. Kokeiden perusteella kehitetty menetelmä antaa joissa tapauksissa selvästi vertailtavia menetelmiä parempia suosituksia, kun taas toisissa tapauksissa suositukset ovat selvästi heikompia.

Social class as a factor for the construction of a musician’s identity : The Musician’s social background and identity questionnaire (MSBIQ) – a cross-sectional comparative quantitative online survey research study of music students at two higher education institutions in Finland

There is currently little empirical knowledge regarding the construction of a musician’s identity and social class. With a theoretical framework based on Bourdieu’s (1984) distinction theory, Bronfenbrenner’s (1979) theory of ecological systems, and the identity theories of Erikson (1950; 1968) and Marcia (1966), a survey called the Musician’s Social Background and Identity Questionnaire (MSBIQ) is developed to test three research hypotheses related to the construction of a musician’s identity, social class and ecological systems of development. The MSBIQ is administered to the music students at Sibelius Academy of the University of Arts Helsinki and Helsinki Metropolia University of Applied Sciences, representing the ’highbrow’ and the ’middlebrow’ samples in the field of music education in Finland. Acquired responses (N = 253) are analyzed and compared with quantitative methods including Pearson’s chi-square test, factor analysis and an adjusted analysis of variance (ANOVA). The study revealed that (1) the music students at Sibelius Academy and Metropolia construct their subjective musician’s identity differently, but (2) social class does not affect this identity construction process significantly. In turn, (3) the ecological systems of development, especially the individual’s residential location, do significantly affect the construction of a musician’s identity, as well as the age at which one starts to play one’s first musical instrument. Furthermore, a novel finding related to the structure of a musician’s identity was the tripartite model of musical identity consisting of the three dimensions of a musician’s identity: (I) ’the subjective dimension of a musician’s identity’, (II) ’the occupational dimension of a musician’s identity’ and, (III) ’the conservative-liberal dimension of a musician’s identity’. According to this finding, a musician’s identity is not a uniform, coherent entity, but a structure consisting of different elements continuously working in parallel within different dimensions. The results and limitations related to the study are discussed, as well as the objectives related to future studies using the MSBIQ to research the identity construction and social backgrounds of a musician or other performing artists.