目的

このデモでは、デモグラフィック属性と音楽鑑賞を含む趣味に関するアンケート調査への回答を用いてSOMが生成されました。回答者が、その属性と趣味に関する回答によってSOM上に並べられ、完成したマップが、生成されたクラスタ上に、彼らの音楽の興味を表示するために使用されました。

そして、新しい人のSOM上の位置を決定するために、その人の属性と趣味を使用できます。あらゆる位置の回答者の音楽の好みがだいたい類似しており、新しい人のSOM上の位置から、その人の音楽の好みを読み取ることを可能にします。

下のマップは、ヨーロッパのマッチング・サービスによって収集されたアンケート・データの部分集合から作成されたViscovery model(SOM)を示します。このマップから、デモグラフィック属性と趣味と8つの予め定義された音楽の好みの間の関係性が決定できます。.

アドバンテージとベネフィット

利用可能なデータが制限されている場合、個人的な興味や個人やグループの好みやセンスを評価するのは、とくに難しいです。部分的データから興味のある対象者の特徴を評価する能力は、極めて価値が高いです。このような評価に関連して、製品の特定グループ向けのデザインや、顧客への個人かされたアプローチ、製品のプロモーションおよび斡旋、さらに、ソーシャル・ネットワークの分析、心理学研究、デート・サービスなど、幅広いさまざまな応用があります。

あなたの音楽スタイルをチェック

すべての回答者のマップでのあなたのパーソナル・プロファイルが位置するところを確認して、類似したプロファイルを持つ人々がどんな種類の音楽を典型的に好んでいるを確認してください。下の表は、 8つのタイプの音楽へのあなたの親和力の予測（スコアとして表現）、および、すべての回答者での平均とあなたの親和力の比較を示します。右側の棒グラフは、各スタイルの平均からのあなたの親和力の偏差を示します。

このデモは、事前に定義されら音楽スタイルへのあなたの親和性の大ざっぱな割り当てのみを提供することにご注意ください。モデルを生成するのに、より多くの変数を用いることにより（この場合、アンケート調査の回答）、より洗練された予測が可能になり、SOMがより選別能力を高めます。.

データソースと謝辞

オンラインの PARSHIP マッチング・サービスが提供した約 120,000 件の匿名レコードを初期データセットに使用しました。レコードは、おもに18歳以上のヨーロッパ人の会員の趣味や興味を記述する24個の変数と彼らの社会デモグラフィック変数を含みます。

PARSHIPは、ベストなパートナー候補の提案を会員に提供するために、定期的にマッチング・アルゴリズムを検証しています。PARSHIPのマッチング・サービスはこちらでご覧になれます。

データ前処理

変数は、 Viscoveryのデフォルト設定による標準化と尺度化がされました。変数に相関補償が自動で適用されました。 Age 属性はシグモイド変換されました。

Education 属性の値は、 3 水準の順序変数にグループ分けされました。Activeと passive hobbiesｈ、各変数で別々に組み合わせられました。

提示されたモデルは、欠損値のない完全なレコードのみから計算されました。

SOMの作成

500個のマイクロ・クラスタ (“ノード”)を持つ結果の自己組織化マップは、 Viscovery SOMineで標準の設定（ “Normal”トレーニング・スケジュールと0.6の “テンション”）を用いて、最終データセットから作成されました。

最初は多数の属性から表示されているSOM を生成するのに、音楽の好みの順序づけに寄与する属性のみが選ばれて、 music preferences – これは重みづけされませんでした – が弁別可能になるまで繰り返し重みづけされました。属性の最終の重要度は次のとおりです：: Ageに1.0、 Educationに 0.9、 Genderに0.6、Theater、 Literature、 Artに 0.7、 Film/Videoと Danceに0.6。

オンラインのクラス分類のために、全体集合と区別するのに十分な粒度を持たせるために、回答者のレコードは約 400個のクラスタにグループ分けされました。