선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 사용자가 음악을 제공 받는 다양한 상황을 고려할 뿐만 아니라 사용자가 선호하는 음악을 자동으로 제공하여 주는 새로운 자동 재생 목록 생성 시스템을 제안한다. 사용자는 자신이 음악을 제공 받는 상황에 적합한 하나의 음악만을 선택함으로써 자동으로 음악 재생 목록을 제공 받을 수 있다.
- [6]에 의해 제안 되었다. 본 논문에서는 이렇게 생성된 음악 모델을 기반으로 모델 간 마코프 모델을 분석함으로서 음악간 유사도를 측정하고 그래프 클러스터링을 통해 유사한 음악 별로 분류하여 그 정확도를 확인하였다. 음악간 유사도는 다음 식 (1)을 통해 계산된다 [7].
제안 방법
- 먼저 음악의 장르를 분류하기 위해서는 음악 신호 데이터로부터 적당한 모델을 생성해야 한다. 따라서 음악 추천 모듈에서는 음악 신호에서 MFCCs를 추출하고 HMM에 적용하여 모델을 생성한다. 이 방법은 음악의 장르를 분류하는 가장 대표적인 방법으로 Xi.
- 본 연구에서 제안하는 시스템을 평가하기 위해 총 241곡의 음악을 수집하였으며, 16,000 Hz, 16 비트, 모노 채널, wav 파일 형식으로 변환하였다. 또한, jAudio 툴을 사용하여 음악의 특징을 대표하는 12개의 요소를 추출하였다. jAudio 툴은 음악 신호로부터 특징을 추출하는데 일반적으로 사용되는 추출기로서 보다 자세한 정보는 jAudio 웹사이트 [10]에 기술되어 있다.
- 사용자의 상황에 적합한 음악을 추천하기 위해 음악의 무드, 무드에 기반을 두어 음악을 분류하는 시스템이 필요하다. 먼저 음악을 음악의 무드 별로 분류하기 위해 음악 신호에서 추출이 가능한 Spectral centroid, Spectral rolloff point, Spectral flux, Compactness, Spectral variability, Root mean square (RMS), Fraction of low energy windows, Zero crossing, Strongest beat, Beat sum, Strongest beat, Strength of strongest beat, LPC 요소를 추출 하였다. 그리고 이렇게 추출한 요소를 기반으로 k-NN (k-Nearest Neighbor) 분류 알고리즘 [5]을 사용하였다.
- 무드 분류 시스템에서 전달한 곡들을 사용자의 재생 목록에 추가하기 위해 두 가지 모듈로 분리된 추천 시스템을 활용한다. 먼저 음악의 장르를 분류하기 위해서는 음악 신호 데이터로부터 적당한 모델을 생성해야 한다.
- 그리고 클래스가 정의되지 않은 개체가 새로이 입력되면 이 개체의 위치를 다차원 공간에 전사하고 그것과 가장 가까이에 이웃하는 5개의 클래스가 정의된 개체와 Euclidean 거리 계산을 통해 4개의 클래스 중 한 클래스로 개체를 정의한다. 본 논문에서 제안하는 시스템은 이 과정을 통해 음악의 무드를 분류 하여 사용자가 선택한 한 곡과 같은 클래스의 음악을 추천 시스템에 전달한다.
- 본 연구에서 제안하는 시스템을 평가하기 위해 총 241곡의 음악을 수집하였으며, 16,000 Hz, 16 비트, 모노 채널, wav 파일 형식으로 변환하였다. 또한, jAudio 툴을 사용하여 음악의 특징을 대표하는 12개의 요소를 추출하였다.
- 그리고 세로축인 Valence 축은 음악의 밝기나 크기 등을 의미하며 밝은 음악과 어두운 음악의 무드를 의미한다. 음악의 클래스를 Thayer 모델에 적용하여 이해하면 그 클래스 정의가 용이하고 합리적이기 때문에 본 논문에서는 음악 무드의 클래스를 이 모델에서 제안하는 4개의 무드 클래스 (A, B, C, D)로 정의한다. 음악의 무드는 서론에서 거론된 바와 같이 사용자의 환경에 적합한 음악을 추천하는데 활용한다.
- 따라서 추가되는 새로운 음악은 Euclidean 거리 기반으로 가장 가까이 위치하는 5개의 음악들과 비교되어 그 클래스를 정의하게 된다. 추출한 음악 요소는 실험을 통해 음악의 무드를 가장 잘 정의하는 요소로 선별되어 시스템에 적용되었으며, 음악 재생 목록 생성 시스템에서는 식 (2), (3) 을 통해 계산된 값을 k-NN을 이용하여 음악의 무드를 분류하였다. 학습을 위해 145곡을 사용하였으며, 96곡이 검증 데이터로 사용되었다.
대상 데이터
- 이 알고리즘은 학습 데이터에 기반을 두어 새로운 개체가 분류기에 입력되면 몇 개의 근접한 개체를 비교하여야 하는지 측정하고 새로운 개체의 분류 정보를 정의한다. 본 논문에서는 145곡의 학습 데이터를 사용하였으며, 가장 가까운 이웃 개체 5개의 비교를 통해 새로운 개체를 정의하였다. 그리고 클래스가 정의되지 않은 개체가 새로이 입력되면 이 개체의 위치를 다차원 공간에 전사하고 그것과 가장 가까이에 이웃하는 5개의 클래스가 정의된 개체와 Euclidean 거리 계산을 통해 4개의 클래스 중 한 클래스로 개체를 정의한다.
- 추출한 음악 요소는 실험을 통해 음악의 무드를 가장 잘 정의하는 요소로 선별되어 시스템에 적용되었으며, 음악 재생 목록 생성 시스템에서는 식 (2), (3) 을 통해 계산된 값을 k-NN을 이용하여 음악의 무드를 분류하였다. 학습을 위해 145곡을 사용하였으며, 96곡이 검증 데이터로 사용되었다.
데이터처리
- 또한, 음악의 장르를 분류하기 위해 Mel-Frequency Cepstral Coefficients (MFCCs) [4]를 추출하였으며, 추출 정보를 이용하여 Hidden Markov Model을 생성하고 유사도 분석을 통해 음악의 장르를 비교 및 분류하였다.
이론/모형
- Oi와 Oj는 Hi와 Hj에서 가장 자주 되는 시퀀스이며, Ni와 Nj는 Oi와 Oj의 길이이다. (1)의 공식을 통해 각 곡들 간의 유사도 점수가 주어지고, MCL 그래프 클러스터링 알고리즘 [8]을 적용하여 분류의 정확도를 확인하였다. 음악 추천 모듈에서는 사용자의 재생 목록을 분석하여 사용자의 취향에 적합한 음악을 재생 목록에 추가한다.
- 본 논문에서는 효과적인 음악 그룹 생성을 위해 MCL 그래프 클러스터링 방법을 적용하였다. MCL 그래프 클러스터링 방법은 S. V. Dongen [9]에 의해 제안 되었으며, 음악을 node로 음악간 유사도 정보를 edge로 하여 node 간 연결 정도와 edge의 수를 기반으로 클러스터링 과정을 수행한다. 음악 추천 모듈에서는 매번 추천 과정이 발생 될 때마다 클러스터링 과정을 수행 한다.
- 그룹화를 위해 시스템은 사용자의 재생 목록의 음악 간 유사도를 표현하는 유사도 그래프를 생성한다. 그러면 시스템은 MCL 그래프 클러스터링 방법을 적용하여 음악을 유사한 음악들끼리 그룹화 한다. 음악 유사도 그래프는 재생 목록의 음악간 유사도 관계를 의미하고 사용자가 들었던 음악들의 유사도 그래프를 통한 클러스터링 결과와 같은 그룹을 생성한다.
- 먼저 음악을 음악의 무드 별로 분류하기 위해 음악 신호에서 추출이 가능한 Spectral centroid, Spectral rolloff point, Spectral flux, Compactness, Spectral variability, Root mean square (RMS), Fraction of low energy windows, Zero crossing, Strongest beat, Beat sum, Strongest beat, Strength of strongest beat, LPC 요소를 추출 하였다. 그리고 이렇게 추출한 요소를 기반으로 k-NN (k-Nearest Neighbor) 분류 알고리즘 [5]을 사용하였다. k-NN 분류 알고리즘은 다차원 공간에서 개체와 가장 근접하여 있는 이웃 개체를 비교하여 개체들을 분류한다.
- 따라서 사용자가 음악 장르적 취향 변화가 발생하여도 사용자의 재생 목록 분석을 통해 사용자의 변경된 취향 또한 음악 추천에 반영할 수 있게 된다. 본 논문에서는 효과적인 음악 그룹 생성을 위해 MCL 그래프 클러스터링 방법을 적용하였다. MCL 그래프 클러스터링 방법은 S.
- 이렇게 추출된 요소를 그림 1과 같이 Thayer의 음악 무드 모델 [3]에 적용하여 음악을 무드 별로 분류하였다. Thayer 모델은 음악의 무드를 Valence와 Arousal 축으로 이루어진 2차원 평면에 대입함으로서 음악의 무드를 보다 직관적으로 서술하기 위한 대표적인 측정 모델로 주로 사용된다.
성능/효과
- 음악 재생 목록은 그 생성이 번거로울 뿐만 아니라 사용자의 상황 및 취향을 반영해 주어야 한다. 본 논문에서 제안하는 시스템은 사용자가 자신의 상황을 반영하는 한 곡만을 선택하여 재생 목록을 작성하는 방법으로 재생 목록 작성의 번거로움을 해결하였으며, 사용자의 재생 목록 분석을 통해 음악을 추천하여 사용자의 취향에 적합한 음악을 추천하는 것을 확인하였다.
- 이 과정의 반복을 통해 사용자는 점진적으로 자신의 취향이 보다 더 잘 반영된 음악을 추천 받을 수 있다. 본 논문에서 제안하는 시스템의 평가를 위해 실제 음악을 수집하였으며 시스템이 생성한 음악 재생 목록은 뛰어난 음악적 무드 분류 결과를 보였고 사용자의 취향에 적합한 음악을 제공하는 것을 확인하였다. 제안하는 시스템은 다음 4가지 사항을 고려하여 개발되었다.
- 음악의 무드는 4개의 클래스 (A, B, C, D) 로 정의되며 k-NN에서의 분류 결과는 표 2에서와 같이 k=5에서 67.71%의 가장 높은 분류 정확도를 보였다. 따라서 추가되는 새로운 음악은 Euclidean 거리 기반으로 가장 가까이 위치하는 5개의 음악들과 비교되어 그 클래스를 정의하게 된다.
- 표 3에서와 같이 가장 좋은 분류 결과를 보인 클래스는 A이며, 클래스 C에서 가장 나쁜 결과를 보였다. 새롭게 추가된 음악은 시스템을 통해 정규화 되고 가장 가까이 있는 5개의 값과 비교하여 그 클래스가 정해지게 된다.
- 표 3에서의 추천 결과와 같이 Electronic 장르를 선호하는 사용자 (87.5%)는 Electronic 음악을 다른 장르의 음악보다 더 많은 비율(69.6%)로 추천 받은 것을 확인할 수 있다. 특히 음악적 취향이 Jazz로 분석된 사용자 (84.
후속연구
- 이 시스템을 모바일 기기나 웹 서비스에 내장한다면 사용자가 언제 어디서든지 자신의 원하는 음악을 제공받을 수 있을 것이다. 또한, 사용자의 환경에 대한 보다 많은 정보를 얻을 수 있게 되어 곡 선택 없이도 재생 목록을 자동으로 제공 받을 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.