[학위논문]사용자의 음악청취이력 분석과 내용기반 필터링을 이용한 음악추천기법 A Music Recommendation Scheme using Analysis of User’s Music Listening History and Content-Based Filtering원문보기
디지털 음원 시장이 큰 성장을 이루고 있는 추세이다. 스트리밍 음악 서비스에선 추천기능이 핵심적인 역할을 수행하지만 국내 음악 추천 서비스의 정확도가 높지 않아 서비스에 대한 사용자의 인식이 좋지 않다. 이에 본 연구는 사용자의 음악청취이력을 분석해서 사용자의 음악적 성향을 파악하고 사용자의 음악적 성향과 유사한 음악을 추천하는 기법을 제안한다. 제안하는 기법은 크게 데이터 수집, 음악 장르 추출, 음악 파일 변환, 음악 특성 추출, 기계학습의 5단계 과정을 거쳐서 진행된다. 데이터의 수집은 국내 음악 서비스 사업자 1위 업체인 ‘멜론’의 TOP 100 순위의 음악을 대상으로 2013년 12월부터 2015년 3월까지의 순위곡을 MP3파일 형태로 수집하였다. 수집한 MP3파일의 ...
디지털 음원 시장이 큰 성장을 이루고 있는 추세이다. 스트리밍 음악 서비스에선 추천기능이 핵심적인 역할을 수행하지만 국내 음악 추천 서비스의 정확도가 높지 않아 서비스에 대한 사용자의 인식이 좋지 않다. 이에 본 연구는 사용자의 음악청취이력을 분석해서 사용자의 음악적 성향을 파악하고 사용자의 음악적 성향과 유사한 음악을 추천하는 기법을 제안한다. 제안하는 기법은 크게 데이터 수집, 음악 장르 추출, 음악 파일 변환, 음악 특성 추출, 기계학습의 5단계 과정을 거쳐서 진행된다. 데이터의 수집은 국내 음악 서비스 사업자 1위 업체인 ‘멜론’의 TOP 100 순위의 음악을 대상으로 2013년 12월부터 2015년 3월까지의 순위곡을 MP3파일 형태로 수집하였다. 수집한 MP3파일의 메타 데이터에서 장르를 추출한 다음, MP3파일을 WAV파일로 변환한다. 음악의 특성을 추출하는 방법으로 음파에서 세 가지의 수치화된 속성을 추출하는 음파 분석 기법을 사용하였다. 기계학습단계에서는 다양한 분류기법을 이용하여 성능을 측정하였다. 기법의 성능을 측정하기 위해 455개의 데이터를 학습 데이터셋으로, 130개의 데이터를 검증데이터셋으로 사용하였으며, 실험결과 SVM 분류알고리즘으로 평균 0.819의 값과 0.838의 값, 0.811의 를 나타내었다. 이는 데이터 마이닝 기법들을 활용한 기존의 음악 추천 연구들과 비교해보았을 때 상대적으로 발전된 결과로 보여진다.
디지털 음원 시장이 큰 성장을 이루고 있는 추세이다. 스트리밍 음악 서비스에선 추천기능이 핵심적인 역할을 수행하지만 국내 음악 추천 서비스의 정확도가 높지 않아 서비스에 대한 사용자의 인식이 좋지 않다. 이에 본 연구는 사용자의 음악청취이력을 분석해서 사용자의 음악적 성향을 파악하고 사용자의 음악적 성향과 유사한 음악을 추천하는 기법을 제안한다. 제안하는 기법은 크게 데이터 수집, 음악 장르 추출, 음악 파일 변환, 음악 특성 추출, 기계학습의 5단계 과정을 거쳐서 진행된다. 데이터의 수집은 국내 음악 서비스 사업자 1위 업체인 ‘멜론’의 TOP 100 순위의 음악을 대상으로 2013년 12월부터 2015년 3월까지의 순위곡을 MP3파일 형태로 수집하였다. 수집한 MP3파일의 메타 데이터에서 장르를 추출한 다음, MP3파일을 WAV파일로 변환한다. 음악의 특성을 추출하는 방법으로 음파에서 세 가지의 수치화된 속성을 추출하는 음파 분석 기법을 사용하였다. 기계학습단계에서는 다양한 분류기법을 이용하여 성능을 측정하였다. 기법의 성능을 측정하기 위해 455개의 데이터를 학습 데이터셋으로, 130개의 데이터를 검증데이터셋으로 사용하였으며, 실험결과 SVM 분류알고리즘으로 평균 0.819의 값과 0.838의 값, 0.811의 를 나타내었다. 이는 데이터 마이닝 기법들을 활용한 기존의 음악 추천 연구들과 비교해보았을 때 상대적으로 발전된 결과로 보여진다.
Recently, Digital music market has significant growth. In music streaming service, music recommendation plays a key role, but Korean user’s recognition about Korea's music service is not high because the service’s recommendation accuracy is not good. Hence, this thesis suggests technique that recomm...
Recently, Digital music market has significant growth. In music streaming service, music recommendation plays a key role, but Korean user’s recognition about Korea's music service is not high because the service’s recommendation accuracy is not good. Hence, this thesis suggests technique that recommend musics that similar to user’s musical propensity analyzing user’s music listening history for understanding user’s musical propensity. This technique proceeds through five-step process; data collection, music genre extraction, decode MP3 to WAV, music feature extraction and machine learning. Collection of data was collected from TOP 100 chart in ‘Melon’, No.1 music service provider in Korea, from December 2013 to March 2015. Extracting genre from meta-data of collected MP3, then collected MP3 files are converted into WAV files. In stage of music feature extraction, we extract music factors what can be get using STFT’s Spectral Rolloff, ZCR, Spectral Flux. In stage of machine learning, we produce prediction model in a variety of classification techniques. To measure the performance of recommendation technique, 455 data were used for training dataset and 130 data were used for validation dataset. The experimental result showed that average of is 0.819 and average of is 0.838, average of is 0.811 with SVM classification algorithm. This result can be seen as enhanced result compared with conventional researches about music recommendation utilizing data mining techniques.
Recently, Digital music market has significant growth. In music streaming service, music recommendation plays a key role, but Korean user’s recognition about Korea's music service is not high because the service’s recommendation accuracy is not good. Hence, this thesis suggests technique that recommend musics that similar to user’s musical propensity analyzing user’s music listening history for understanding user’s musical propensity. This technique proceeds through five-step process; data collection, music genre extraction, decode MP3 to WAV, music feature extraction and machine learning. Collection of data was collected from TOP 100 chart in ‘Melon’, No.1 music service provider in Korea, from December 2013 to March 2015. Extracting genre from meta-data of collected MP3, then collected MP3 files are converted into WAV files. In stage of music feature extraction, we extract music factors what can be get using STFT’s Spectral Rolloff, ZCR, Spectral Flux. In stage of machine learning, we produce prediction model in a variety of classification techniques. To measure the performance of recommendation technique, 455 data were used for training dataset and 130 data were used for validation dataset. The experimental result showed that average of is 0.819 and average of is 0.838, average of is 0.811 with SVM classification algorithm. This result can be seen as enhanced result compared with conventional researches about music recommendation utilizing data mining techniques.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.