국내 스마트폰의 보급률이 2015년 기준으로 약 83%로 세계 4위에 이르고 있으며, 이러한 스마트폰의 보급은 언제, 어디서나, 미디어에 접근이 가능한 시대를 맞이하게 하였다. 이러한 스마트폰에 의한 손쉬운 미디어의 접근과 함께 한국음반산업협회의 발표에 의하면 2015년 9월을 기준으로 10,078곡의 앨범이 발매가 되었으며, 음원의 다운로드 또는 스트리밍을 가능하게 하는 디지털 음악산업의 규모로 약 1,500억원에 이른다고 한다. 이러한 음원산업의 성장은 개인에게 고품질 음원을 손쉽게 제공한다는 순기능과 함께 음원 순위 조작과 음원 사재기라는 사회적인 병폐를 야기하고 있어 개인의 시간적, 경제적인 손실을 가중시키고 있다.
따라서 본 연구는 대량 미디어의 주입에 의하여 개인에게 미치는 사회적 병폐를 최소화하기 위한 방안을 제시하고자 하였으며, 이를 위해 개인에게 적합한 음원을 추천하고 개인이 보유한 음원을 손쉽게 관리하여 시간적 경제적인 이익을 주는 개인별 음원 추천 모형의 수립을 본 연구의 목적으로 하였다.
특히 기존 음원추천 연구가 음원의 가사의 ...
국내 스마트폰의 보급률이 2015년 기준으로 약 83%로 세계 4위에 이르고 있으며, 이러한 스마트폰의 보급은 언제, 어디서나, 미디어에 접근이 가능한 시대를 맞이하게 하였다. 이러한 스마트폰에 의한 손쉬운 미디어의 접근과 함께 한국음반산업협회의 발표에 의하면 2015년 9월을 기준으로 10,078곡의 앨범이 발매가 되었으며, 음원의 다운로드 또는 스트리밍을 가능하게 하는 디지털 음악산업의 규모로 약 1,500억원에 이른다고 한다. 이러한 음원산업의 성장은 개인에게 고품질 음원을 손쉽게 제공한다는 순기능과 함께 음원 순위 조작과 음원 사재기라는 사회적인 병폐를 야기하고 있어 개인의 시간적, 경제적인 손실을 가중시키고 있다.
따라서 본 연구는 대량 미디어의 주입에 의하여 개인에게 미치는 사회적 병폐를 최소화하기 위한 방안을 제시하고자 하였으며, 이를 위해 개인에게 적합한 음원을 추천하고 개인이 보유한 음원을 손쉽게 관리하여 시간적 경제적인 이익을 주는 개인별 음원 추천 모형의 수립을 본 연구의 목적으로 하였다.
특히 기존 음원추천 연구가 음원의 가사의 텍스트 분석, 음원장르에 의한 단순한 음원의 추천보다 영화, 마케팅, 유통 분야 등 에서 접목되고 있는 클러스터링 분석을 활용하여 개인별 음원 추천 모형을 제시하고자 하였다.
먼저 개인별 음원 추천 모형을 수립하고 학습시키기 위하여 대형 음원사이트에서 24개 음악장르로 분류된 240개 음원을 수집하고 해당 음원에서 푸리에 변환( Fourier transform)을 활용하여 분석의 대상이 되는 특성데이터를 추출한다. 추출된 음원의 데이터를 K-means 클러스터링 분석으로 군집화를 수행하여 가장 많은 음원이 속하는 클러스터의 특성과 부합하는 신규 음원을 추천할 수 있는 모형을 수립하였다.
세부적으로는 개인별 음원 추천 모형의 수립을 위해 K-means 알고리즘의 K값은 임의로 입력하여 클러스터의 수를 정의하였으며, 클러스터의 수를 결정하는 이상적인 K값을 확인하기 위하여 클러스터내의 거리와 클러스터간 거리를 측정하여 Validity값을 이상적인 클러스터의 수를 파악하는 기준으로 활용하였다.
또한 본 연구를 통하여 수립한 개인별 음원 추천 모형의 검증을 위하여 개인이 보유하고 있는 음원을 수집하고 해당 음원을 임의의 K값(클러스터 수)을 입력하여 K-means 클러스터링 분석을 수행한다. 또한 수행한 결과 중 도출된 Validity 값이 개인별 추천 모형 수립에서 도출된 validity 값과 비교하여 가장 근사값으로 선정하고 이대의 K값을 클러스터 수를 결정하였다. 또한 개인별 음원 추천 모형을 통한 음원의 구분과 개인이 제시한 음원의 선호도를 비교하여 모형의 적절성을 검증하였다.
본 연구의 수행을 통해 음원을 K-means 클러스터링 분석에 의한 개인별 음원 추천 모형은 개인의 선호도와 비교하여 추천이 가능한 모형으로 판단되었다. 그러나 보다 효과적인 음원 추천을 위해 음원이 시간흐름에 따른 변화 데이터를 포함하여야 한다는 한계를 발견하였다.
또한 향후 개인별 음원 추천에 있어 보다 정확하고 개인의 취향 및 기호에 부합하는 음원을 추천하기 위해서는 음원이 가지고 있는 특성데이터인 주파수의 변화에 대한 모형의 반영과 함께 추천대상인 개인의 취향 및 기호, 음원 스트리밍 및 다운로드 이력 등 정보를 종합적으로 고려하여 음원 추천서비스로 제시하는 방향으로 발전되어야 할 필요가 있다.
국내 스마트폰의 보급률이 2015년 기준으로 약 83%로 세계 4위에 이르고 있으며, 이러한 스마트폰의 보급은 언제, 어디서나, 미디어에 접근이 가능한 시대를 맞이하게 하였다. 이러한 스마트폰에 의한 손쉬운 미디어의 접근과 함께 한국음반산업협회의 발표에 의하면 2015년 9월을 기준으로 10,078곡의 앨범이 발매가 되었으며, 음원의 다운로드 또는 스트리밍을 가능하게 하는 디지털 음악산업의 규모로 약 1,500억원에 이른다고 한다. 이러한 음원산업의 성장은 개인에게 고품질 음원을 손쉽게 제공한다는 순기능과 함께 음원 순위 조작과 음원 사재기라는 사회적인 병폐를 야기하고 있어 개인의 시간적, 경제적인 손실을 가중시키고 있다.
따라서 본 연구는 대량 미디어의 주입에 의하여 개인에게 미치는 사회적 병폐를 최소화하기 위한 방안을 제시하고자 하였으며, 이를 위해 개인에게 적합한 음원을 추천하고 개인이 보유한 음원을 손쉽게 관리하여 시간적 경제적인 이익을 주는 개인별 음원 추천 모형의 수립을 본 연구의 목적으로 하였다.
특히 기존 음원추천 연구가 음원의 가사의 텍스트 분석, 음원장르에 의한 단순한 음원의 추천보다 영화, 마케팅, 유통 분야 등 에서 접목되고 있는 클러스터링 분석을 활용하여 개인별 음원 추천 모형을 제시하고자 하였다.
먼저 개인별 음원 추천 모형을 수립하고 학습시키기 위하여 대형 음원사이트에서 24개 음악장르로 분류된 240개 음원을 수집하고 해당 음원에서 푸리에 변환( Fourier transform)을 활용하여 분석의 대상이 되는 특성데이터를 추출한다. 추출된 음원의 데이터를 K-means 클러스터링 분석으로 군집화를 수행하여 가장 많은 음원이 속하는 클러스터의 특성과 부합하는 신규 음원을 추천할 수 있는 모형을 수립하였다.
세부적으로는 개인별 음원 추천 모형의 수립을 위해 K-means 알고리즘의 K값은 임의로 입력하여 클러스터의 수를 정의하였으며, 클러스터의 수를 결정하는 이상적인 K값을 확인하기 위하여 클러스터내의 거리와 클러스터간 거리를 측정하여 Validity값을 이상적인 클러스터의 수를 파악하는 기준으로 활용하였다.
또한 본 연구를 통하여 수립한 개인별 음원 추천 모형의 검증을 위하여 개인이 보유하고 있는 음원을 수집하고 해당 음원을 임의의 K값(클러스터 수)을 입력하여 K-means 클러스터링 분석을 수행한다. 또한 수행한 결과 중 도출된 Validity 값이 개인별 추천 모형 수립에서 도출된 validity 값과 비교하여 가장 근사값으로 선정하고 이대의 K값을 클러스터 수를 결정하였다. 또한 개인별 음원 추천 모형을 통한 음원의 구분과 개인이 제시한 음원의 선호도를 비교하여 모형의 적절성을 검증하였다.
본 연구의 수행을 통해 음원을 K-means 클러스터링 분석에 의한 개인별 음원 추천 모형은 개인의 선호도와 비교하여 추천이 가능한 모형으로 판단되었다. 그러나 보다 효과적인 음원 추천을 위해 음원이 시간흐름에 따른 변화 데이터를 포함하여야 한다는 한계를 발견하였다.
또한 향후 개인별 음원 추천에 있어 보다 정확하고 개인의 취향 및 기호에 부합하는 음원을 추천하기 위해서는 음원이 가지고 있는 특성데이터인 주파수의 변화에 대한 모형의 반영과 함께 추천대상인 개인의 취향 및 기호, 음원 스트리밍 및 다운로드 이력 등 정보를 종합적으로 고려하여 음원 추천서비스로 제시하는 방향으로 발전되어야 할 필요가 있다.
Domestic smartphone penetration rate is about 83% in 2015 so it is the fourth largest in the world, and the smartphone penetration could bring a new generation to access media anytime and anywhere. With smartphone’s easy accessibility to media, according to Recording Industry Association of Korea, 1...
Domestic smartphone penetration rate is about 83% in 2015 so it is the fourth largest in the world, and the smartphone penetration could bring a new generation to access media anytime and anywhere. With smartphone’s easy accessibility to media, according to Recording Industry Association of Korea, 10,078 songs have been released and scale of a digital music industry that could make it possible to download and stream sound sources reaches about 150 billion Won.
Growth of the sound source industry causes a proper function to serve high quality sound sources to individuals easily and social ills such as fabricating sound sources’ ranking and stockpiling music sources at the same time so that it aggravates individuals’ temporal and economical loss.
Therefore, this study is to suggest methods to minimize the social ills that injection of mass media could influence individuals. In order for that, this study sets a research purpose to establish a personal sound source recommendation model, which produces temporal and economical profit by recommending appropriate sound sources to individuals and by managing easily sound sources that individuals possess.
Especially, this study is to suggest the personal sound resource recommendation model by using a clustering analysis applied into areas of movie, marketing, and distribution rather than prior studies’ simple sound resource recommendation methods depending on text analysis of music lyrics and sound resource’s genre.
In order to found and teach the personal sound resource recommendation model, this study extracted data of objects by collecting 240 sound resources categorized by genre from 24 large sound source sites and by utilizing Fourier transform. As clustering the extracted data of sound resources by K-means clustering analysis, this study established a model that could recommend new sound sources which correspond characteristics of a cluster that the most sound sources belongs to.
Specifically, this study randomly input K value of K-means algorithm to define the number of a cluster in order to set the personal sound resource recommendation model, and this study utilized a validity value as a standard to comprehend the ideal number of the cluster, by estimating distances within the cluster and distances between the clusters in order to identify the ideal K value which decides the number of a cluster.
Also, this study collected sound sources that individuals possess and conducted K-means clustering analysis to the collected sound resources by utilizing a random K value (the number of a cluster) in order to verify the personal sound source recommendation model. Plus, this study decided the number of a cluster by the most approximate value by comparing the deducted Validity value from the conducted results and the other deducted validity value from the personal recommendation model establishment. Also, this study verified appropriateness of the model by comparing the sound source distinction from the personal sound resource recommendation model and sound source preferences that the individuals suggested.
This study identified that the personal sound resource recommendation model from K-means clustering analysis could recommend sound sources by reflecting preferences of individuals. However, this study found a limitation that sound sources must include change data as following the passage of time in order for the more effective sound resource recommendation.
Also, in order to recommend the more precise and suitable sound sources to match individuals’ preferences and tastes in the future, sound source recommendation services are to be promoted to a way to reflect a model of sound resource’s frequency change that is a this study’s limitation and to consider overall individual’s data such as preferences, taste, listening to sound sources, and download history of sound sources.
Domestic smartphone penetration rate is about 83% in 2015 so it is the fourth largest in the world, and the smartphone penetration could bring a new generation to access media anytime and anywhere. With smartphone’s easy accessibility to media, according to Recording Industry Association of Korea, 10,078 songs have been released and scale of a digital music industry that could make it possible to download and stream sound sources reaches about 150 billion Won.
Growth of the sound source industry causes a proper function to serve high quality sound sources to individuals easily and social ills such as fabricating sound sources’ ranking and stockpiling music sources at the same time so that it aggravates individuals’ temporal and economical loss.
Therefore, this study is to suggest methods to minimize the social ills that injection of mass media could influence individuals. In order for that, this study sets a research purpose to establish a personal sound source recommendation model, which produces temporal and economical profit by recommending appropriate sound sources to individuals and by managing easily sound sources that individuals possess.
Especially, this study is to suggest the personal sound resource recommendation model by using a clustering analysis applied into areas of movie, marketing, and distribution rather than prior studies’ simple sound resource recommendation methods depending on text analysis of music lyrics and sound resource’s genre.
In order to found and teach the personal sound resource recommendation model, this study extracted data of objects by collecting 240 sound resources categorized by genre from 24 large sound source sites and by utilizing Fourier transform. As clustering the extracted data of sound resources by K-means clustering analysis, this study established a model that could recommend new sound sources which correspond characteristics of a cluster that the most sound sources belongs to.
Specifically, this study randomly input K value of K-means algorithm to define the number of a cluster in order to set the personal sound resource recommendation model, and this study utilized a validity value as a standard to comprehend the ideal number of the cluster, by estimating distances within the cluster and distances between the clusters in order to identify the ideal K value which decides the number of a cluster.
Also, this study collected sound sources that individuals possess and conducted K-means clustering analysis to the collected sound resources by utilizing a random K value (the number of a cluster) in order to verify the personal sound source recommendation model. Plus, this study decided the number of a cluster by the most approximate value by comparing the deducted Validity value from the conducted results and the other deducted validity value from the personal recommendation model establishment. Also, this study verified appropriateness of the model by comparing the sound source distinction from the personal sound resource recommendation model and sound source preferences that the individuals suggested.
This study identified that the personal sound resource recommendation model from K-means clustering analysis could recommend sound sources by reflecting preferences of individuals. However, this study found a limitation that sound sources must include change data as following the passage of time in order for the more effective sound resource recommendation.
Also, in order to recommend the more precise and suitable sound sources to match individuals’ preferences and tastes in the future, sound source recommendation services are to be promoted to a way to reflect a model of sound resource’s frequency change that is a this study’s limitation and to consider overall individual’s data such as preferences, taste, listening to sound sources, and download history of sound sources.
주제어
#음원 추천
#클러스터링 분석
#푸리에 전환
#개인별 음원 관리
#개인별 음원추천 모형
#sound resource recommendation
#K-means
#clustering analysis
#Fourier transform
#personal sound resource management
#personal sound resource recommendation model
학위논문 정보
저자
이창해
학위수여기관
연세대학교 공학대학원
학위구분
국내석사
학과
산업정보경영전공
지도교수
김창욱
발행연도
2016
총페이지
vii, 45장
키워드
음원 추천,
클러스터링 분석,
푸리에 전환,
개인별 음원 관리,
개인별 음원추천 모형,
sound resource recommendation,
K-means,
clustering analysis,
Fourier transform,
personal sound resource management,
personal sound resource recommendation model
※ AI-Helper는 부적절한 답변을 할 수 있습니다.