| Abstract : | Μηχανική εκμάθηση για ταξινόμηση διάθεσης τραγουδιού με βάση τα χαρακτηριστικά ήχουΗ μουσική, που συχνά θεωρείται ως η παγκόσμια γλώσσα, έχει μεγάλη δύναμη να προκαλεί ένα φάσμα συναισθημάτων στους ακροατές της. Αυτή η ποιότητα έχει κάνει την ταξινόμηση της διάθεσης στα τραγούδια έναν συναρπαστικό τομέα έρευνας, με σημαντικές εφαρμογές σε συστήματα προτάσεων μουσικής, θεραπευτικά πλαίσια και εξατομικευμένες εμπειρίες χρήστη. Η μεταπτυχιακή μου διατριβή, εμβαθύνει στη χρήση τεχνικών μηχανικής μάθησης για την κατηγοριοποίηση των τραγουδιών με βάση τον συναισθηματικό τους τόνο, εξετάζοντας διάφορα χαρακτηριστικά ήχου. Αυτή η μελέτη επιχειρεί να προάγει τον τομέα της Ανάκτησης Μουσικών Πληροφοριών (MIR) αλλά επίσης βελτιώνει τον τρόπο με τον οποίο αλληλεπιδρούμε με τη μουσική σε ψηφιακά περιβάλλοντα.Το πεδίο του MIR περιλαμβάνει μια ποικιλία μεθόδων και τεχνολογιών που έχουν σχεδιαστεί για τον εντοπισμό, την ανάλυση και την οργάνωση δεδομένων μουσικής, επιτρέποντας στους χρήστες να εντοπίζουν μουσικό περιεχόμενο μέσω διαφορετικών μορφών ερωτημάτων, όπως αποσπάσματα ήχου, εισαγωγή κειμένου ή μεταδεδομένα. Προηγούμενη έρευνα έχει διερευνήσει διάφορες πτυχές του MIR, όπως η πρόβλεψη επιτυχίας τραγουδιών, η ταξινόμηση του είδους, η ανάλυση κοινού, η σύνθεση μουσικής και η ενσωμάτωση της βαθιάς μάθησης σε συστήματα προτάσεων μουσικής. Αυτές οι μελέτες έθεσαν τα θεμέλια για την κατανόηση της πολύπλευρης φύσης της μουσικής και της ανάκτησής της.Ειδικότερα, η ταξινόμηση της διάθεσης έχει αναδειχθεί ως βασική πτυχή του MIR. Αυτή η έρευνα στοχεύει να αναπτύξει ισχυρά μοντέλα ικανά να προσδιορίζουν με ακρίβεια τη διάθεση που μεταδίδεται από ένα τραγούδι μέσω της ανάλυσης χαρακτηριστικών όπως το τέμπο, το κλειδί, οι φασματικές ιδιότητες και άλλα. Αξιοποιώντας προηγμένους αλγόριθμους μηχανικής μάθησης, αυτή η μελέτη επιδιώκει να βασιστεί σε υπάρχουσες μεθοδολογίες και να αντιμετωπίσει τις προκλήσεις που ενυπάρχουν στην ταξινόμηση της διάθεσης. Αυτή η προσπάθεια προσφέρει πρακτικά οφέλη, ενισχύοντας την εμπειρία του χρήστη σε πλατφόρμες ροής μουσικής, επιτρέποντας πιο ακριβείς και συναισθηματικά σχετικές προτάσεις μουσικής.Διερευνώντας την περίπλοκη σχέση μεταξύ των χαρακτηριστικών ήχου και της συναισθηματικής αντίληψης, αυτή η διατριβή στοχεύει να διερευνήσει ορισμένα εργαλεία για την αποτελεσματική ταξινόμηση των μουσικών διαθέσεων, εμπλουτίζοντας έτσι τους τρόπους με τους οποίους ασχολούμαστε και εκτιμούμε τη μουσική.
Music, often considered to be the universal language, holds a great power to evoke a spectrum of emotions in its listeners. This quality has made mood classification in songs a compelling area of research, with significant applications in music recommendation systems, therapeutic contexts, and personalized user experiences. This master's thesis delves into the utilization of machine learning techniques to categorize songs based on their emotional tone by examining various audio characteristics. This study not only advances the field of Music Information Retrieval (MIR) but also enhances how we interact with music in digital environments.The field of MIR encompasses a variety of methods and technologies designed to identify, analyze, and organize music data, enabling users to locate musical content through diverse query forms such as audio snippets, textual input, or metadata. Previous research has explored several facets of MIR, including song hit prediction, genre classification, audience analysis, music composition, and the integration of deep learning in music recommendation systems. These studies have laid a foundation for understanding the multifaceted nature of music and its retrieval.Mood classification has emerged as a crucial aspect of MIR. This research aims to develop robust models capable of accurately identifying the mood conveyed by a song through the analysis of features such as tempo, key, spectral properties, and more. By leveraging advanced machine learning algorithms, this study seeks to build upon existing methodologies and address the challenges inherent in mood classification. This endeavor not only contributes to the scholarly field but also offers practical benefits, enhancing user experience on music streaming platforms by enabling more accurate and emotionally relatable music recommendations.By exploring the intricate relationship between audio features and emotional perception, this thesis aims to explore some tools for the effective classification of music moods, thereby enriching the ways in which we engage with and appreciate music.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.