본 논문에서는 사용자의 음악적 선호를 모델링하고, 사용자가 원하는 감정과 선호를 추론할 수 있게 도와주는 컨텍스트 기반 음악 추천 온톨로지 (COMUS)를 제안한다. COMUS는 제목, 연주자, 장르와 같은 음악의 일반적인 속성과 무드와 상황과 같이 도메인에 특화된 확장을 제공하는 확장성을 계층적인 방식으로 제공한다. COMUS는 음악 추천을 위한 도메인에 특화된 클래스들이 음악 온톨로지와 연동되도록 OWL 언어를 사용하여 개발된 음악 온톨로지이다. COMUS에 표현된 컨텍스트 정보를 사용하면, 컨텍스트 정보의 일관성을 체크할 수 있고, 규칙 기반의 추론을 통해 명시적인 정보 뿐만 아니라, 내재된 컨텍스트를 도출하는 상위 레벨의 추론이 가능하다고. 여기서 제안하는 온톨로지는 음악과 감정과 상황 사이의 복잡하고 자세한 관계를 표현할 수 있어서, 사용자가 음악 추론 어플리케이션을 위해 적절한 음악을 찾을 수 있게 해준다. 이와 관련된 음악 추천을 위한 사례 연구로써 수행한 몇 가지 실험을 보인다.
본 논문에서는 사용자의 음악적 선호를 모델링하고, 사용자가 원하는 감정과 선호를 추론할 수 있게 도와주는 컨텍스트 기반 음악 추천 온톨로지 (COMUS)를 제안한다. COMUS는 제목, 연주자, 장르와 같은 음악의 일반적인 속성과 무드와 상황과 같이 도메인에 특화된 확장을 제공하는 확장성을 계층적인 방식으로 제공한다. COMUS는 음악 추천을 위한 도메인에 특화된 클래스들이 음악 온톨로지와 연동되도록 OWL 언어를 사용하여 개발된 음악 온톨로지이다. COMUS에 표현된 컨텍스트 정보를 사용하면, 컨텍스트 정보의 일관성을 체크할 수 있고, 규칙 기반의 추론을 통해 명시적인 정보 뿐만 아니라, 내재된 컨텍스트를 도출하는 상위 레벨의 추론이 가능하다고. 여기서 제안하는 온톨로지는 음악과 감정과 상황 사이의 복잡하고 자세한 관계를 표현할 수 있어서, 사용자가 음악 추론 어플리케이션을 위해 적절한 음악을 찾을 수 있게 해준다. 이와 관련된 음악 추천을 위한 사례 연구로써 수행한 몇 가지 실험을 보인다.
In this paper, we propose Context-based Music Recommendation (COMUS) ontology for modeling user's musical preferences and context and for supporting reasoning about the user's desired emotion and preferences. The COMUS provides an upper Music Ontology that captures concepts about the general propert...
In this paper, we propose Context-based Music Recommendation (COMUS) ontology for modeling user's musical preferences and context and for supporting reasoning about the user's desired emotion and preferences. The COMUS provides an upper Music Ontology that captures concepts about the general properties of music such as title, artists and genre and also provides extensibility for adding domain-specific ontologies, such as Mood and Situation, in a hierarchical manner. The COMUS is music dedicated ontology in OWL constructed by incorporating domain specific classes for music recommendation into the Music Ontology. Using this context ontology, we believe that the use of logical reasoning by checking the consistency of context information, and reasoning over the high-level, implicit context from the low-level, explicit information. As a novelty, our ontology can express detailed and complicated relations among the music, moods and situations, enabling users to find appropriate music for the application. We present some of the experiments we performed as a case-study for music recommendation.
In this paper, we propose Context-based Music Recommendation (COMUS) ontology for modeling user's musical preferences and context and for supporting reasoning about the user's desired emotion and preferences. The COMUS provides an upper Music Ontology that captures concepts about the general properties of music such as title, artists and genre and also provides extensibility for adding domain-specific ontologies, such as Mood and Situation, in a hierarchical manner. The COMUS is music dedicated ontology in OWL constructed by incorporating domain specific classes for music recommendation into the Music Ontology. Using this context ontology, we believe that the use of logical reasoning by checking the consistency of context information, and reasoning over the high-level, implicit context from the low-level, explicit information. As a novelty, our ontology can express detailed and complicated relations among the music, moods and situations, enabling users to find appropriate music for the application. We present some of the experiments we performed as a case-study for music recommendation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
일반적으로 어플리케이션에서 발생할 수 있는 시나리오를 통해 필요한 사항을 도출하여 온톨로지를 구축하는데 활용한다. 동기 부여 시나리오는 시나리오 상에서 발생하는 문제에 대한 직관적인 해결 방법을 제시한다. COMUS 온톨로지는 우리가 앞서 설명한 동기를 유발시키는 음악 추천 시나리오에 부합하는 용어의 집합과 정의들이라고 할 수 있다.
따라서 본 논문에서는 위에서 언급했던 문제들을 해결하고자 음악 추천 도메인 상에서 음악 온톨로지 (Music Ontology [4]) 및 추천 도메인에 특화된 음악 무드 (Mood) 및 상황 (Situation) 등과 같은 온톨로지 구축에 내용기반 음악 검색 기법을 적용한 음악 추천 시스템을 구축하고자 한다.
이 장에서는 우선 음악 검색 및 추천 분야에서 가장 많이 사용되고 있는 감정 (Emotion) 모델과 이 모델을 적용한 연구들에 대한 소개를 한다. 또한, 최근 음악 추천 시스템의 동향과 함께 음악 관련 온톨로지와 그에 대한 실제 구축 사례 등을 살펴본다.
본 논문에서는 음악 추천 시스템을 위해 무드와 상황 추론을 가능하게 하는 확장된 음악 온톨로지를 개발하였다. 이 음악 온톨로지는 프로티지 (Protege)를 사용하여 OWL 언어 형태로 기술되었는데, 이는 OWL이 가지고 있는 Description Logic의 시맨틱 능력이 온톨로지 기반 접근 방법을 사용하는데 적합하기 때문이다.
본 연구에서, 음악 추천에 사용할 수 있는 컨텍스트 모델링 및 추론을 지원하는 적당하고 필요한 온톨로지 기반 컨텍스트 모델을 제안하였다. 이를 위해 음악 도메인은 모델링하여 낮은 수준의 음악적 요소를 획득하고, 음악의 무드를 표현할 수 있는 몇가지 음악 요소를 찾았고, 시간과 공간, 주체로 구성되는 음악 관련 상황을 기술 할 수 있는 온톨로지를 구축하였다.
사용자에게 적합한 음악을 추천하는 추론 과정에서 어떻게 음악 온톨로지가 활용되는지를 보여주는 시나리오를 소개한다.
음악 온톨로지는 MusicBrainz에서부터 MySpace까지 음악 아티스트, 앨범, 트랙 등에 대한 모든 정보를 연결하는 시도이다. 음악 온톨로지 개발의 목적은 일반 사용자가 음악과 음악가에 대한 어떤 정보든지 찾을 수 있도록 도와주기 위한 음악 정보 사이의 모든 관계를 표현하는 것이다. 음악 온톨로지는 FRBR (Functional Requirements for Bibliographic Records), 이벤트 온톨로지, 타임라인 온톨로지, ABC 온톨로지, FOAF 온톨로지 등에 주로 영향을 받아 개발되었다.
가설 설정
위의 시나리오는 자동적으로 질의에 따른 결과를 필터링해서 보여줄 수 있도록 존(사용자)이 가수, 장르, 무드 등을 포함하는 자신의 음악 선호도를 미리 설정한다는 가정한다. 예를 들면, 늦잠을 잤다와 같은 상황이 인지되어 추천 시스템에게 전달이 되면, 추천 시스템은 이런 정보들을 이용해서 현재 사용자의 상황 컨텍스트를 추론하고, 사용자 프로파일 정보로부터 가장 좋아하는 무드를 추론해낸다.
위의 시나리오는 존이 음악 추천 시스템에 자신의 음악적 성향에 대해 설정을 했다고 가정한다. 예를 들면, 앞서 언급한 늦게 일어난 상황에서 테이블4에서 기술된 상황 정보가 분석된다면, 이 정보가 추천 시스템으로 보내진다.
제안 방법
기존 연구 중 음악 온톨로지에서 기본 컨셉과 관계들을 가져와 사용하고, 장르, 악기 분류, 무드, 상황 등에 대한 정보를 추가하여 온톨로지를 확장하였다. OWL로 기술된 온톨로지는 RDF에 기반한 쿼리 인터페이스를 제공하는 SPARQL 쿼리를 사용하여 필요한 정보를 검색할 수 있다.
현재 지능형 음악 추천 시스템을 구축하기 위한 프로젝트의 일부로서 현재 음악 온톨로지를 개발 중이다. 덧붙여 적합성을 보이기 위해, 활용 시나리오를 기술하고, 온톨로지로부터 유용한 정보를 추론하기 위한 몇 가지 질의어를 기술하였다. 보다 정교한 음악 추천을 지원하기 위한 확장된 추론 모델과 온톨로지를 개발하고 있다.
즉, 기존의 지역적이고 제한적인 성향 분석으로는 음악에 대한 사용자의 동적 성향 변화를 제대로 나타낼 수 없어 효과적인 음악 추천이 어려우며, 상황의 변화를 효과적으로 반영할 수 있는 추천 기법에 대한 연구가 필수적이다. 따라서 본 논문에서는 개인적인 음악 취향, 감정 및 상황을 고려하여 보다 지능적이고 개인화된 음악 추천 서비스를 위해 최근 추천 시스템에서 많이 사용되고 있는 협력 필터링 기법과 내용기반 필터링 기법을 함께 적용한다.
OWL로 기술된 온톨로지는 RDF에 기반한 쿼리 인터페이스를 제공하는 SPARQL 쿼리를 사용하여 필요한 정보를 검색할 수 있다. 또한 내재적인 (Implicit) 한 관계를 추론하기 위해 규칙 기반의 접근 방법을 추가하여, 궁극적으로 온톨로지 기반 추론과 함께 사용하는 방법을 취하였다.
본 연구를 위해 작성한 음악 추천 시나리오에서, 음악과 관련한 용어를 개념 (concept)으로 정의하였고, 각 개념 간의 관계를 나타내기 위해 온톨로지 구성에 사용하는 'is-a'와 ‘has-a' 관계를 포함한 몇 가지 형태의 관계를 사용하였다.
예를 들면, 앞서 언급한 늦게 일어난 상황에서 테이블4에서 기술된 상황 정보가 분석된다면, 이 정보가 추천 시스템으로 보내진다. 시스템은 전달받은 정보를 이용해서 존의 사용자 프로파일 정보에 기반하여 현재 상황 컨텍스트와 그가 좋아하는 무드를 추론한다. 이 정보를 통해 시스템은 존의 흥미와 현재 상황에 적합한 음악들을 추천한다.
이 실험에 약 30명이 참여했고, 일부는 음악 관련 교육을 받았지만, 나머지 사람들은 교육을 받지 못했다. 실험 참여자는 상황과 무드에 대한 적합한 용어와 정의를 수집하기 위해 설문지에 응답하는 과정을 수행했다. 또한 그들은 특정 시나리오에 대해 현재 감정과 원하는 감정을 포함하는 감정 변화 상태에 대해 기술하도록 요청받았다.
온톨로지의 특성상 기존에 정의된 온톨로지를 재사용할 수 있기 때문에, 사람, 시간, 장소 등과 같은 부분은 범용으로 구축되고 검증된 온톨로지를 재사용했다. 여기에 음악 추천 도메인에 특화된 음악과 음악 관련 내용을 포함하는 부분은 도메인 온톨로지 형태로 확장해서 구축하였다.
온톨로지를 구축한 후에, 우리의 추천 시스템에서 제안하는 COMUS 온톨로지 또는 AMG 용어를 사용했을 때의 사용자 만족도를 측정하는 실험을 수행하였고, 실험 과정은 다음과 같다.
앞서 언급한 바와 같이, 음악 추천 서비스를 지능적으로 제공하기 위해서 지식을 공유하고 추론하는데 이용하기 위해서 온톨로지를 지식 표현 방법으로 사용했다. 온톨로지의 특성상 기존에 정의된 온톨로지를 재사용할 수 있기 때문에, 사람, 시간, 장소 등과 같은 부분은 범용으로 구축되고 검증된 온톨로지를 재사용했다. 여기에 음악 추천 도메인에 특화된 음악과 음악 관련 내용을 포함하는 부분은 도메인 온톨로지 형태로 확장해서 구축하였다.
음악 온톨로지 [4],[5], 칸자키 어휘 [6], 음악 브레인 [7]과 같이 기존의 음악 온톨로지 연구들에서 발견한 상위 레벨의 온톨로지 컨셉들을 기반으로 하여, 본 연구의 도메인에 적합한 도메인 온톨로지를 확장하였다. 음악 온톨로지는 ZitGist LLC과 Digital Music 센터에 의해 진행된 연구로, 음악과 음악가에 대한 모든 것을 찾을 수 있게 음악 정보 사이의 관계를 표현하려고 한 연구이다.
본 장에서는 컨텍스트 기반 음악 추천 시스템의 전체 구조와 구현에 대해 기술한다. 음악 추천 도메인에서 무드와 상황 추론이 가능한 확장된 음악 온톨로지 뿐만 아니라 음악을 시맨틱웹에서 활용할 수 있는 음악 추천 시스템 프로토타입을 설계했다. 그림 1에서 보는 바와 같이, 이 시스템은 COMUS (COntext-based MUsic recommendation System) 시스템과 COMUS 온톨로지로 구성된다.
DL 기반의 OWL 추론은 컨셉을 나타내는 Tbox를 위한 임의의 개념들이 주어졌을 때 상하위 관계를 구축하는 추론하는 포함(subsumption), 주어진 임의의 개념에 대한 subsume or 포함여부를 결정하는 추론인 분류(classification), 개념 정의(definition)에 대한 일관성 체크인 일관성(consistency) 추론과 인스턴스를 나타내는 Abox를 위한 인스턴스화(instantiation), 현실과(realization), 검색(retrieval) 추론으로 구성된다. 이 중에서 포함, 분류, 일관성 추론을 표1에서 보여준 것과 같이 온톨로지 편집기를 사용해 기술된 온톨로지를 RacerPro의 API를 사용하여 실험하였다.
온톨로지 기반의 지식으로는 “스트레스가 쌓였을 때, 사용자가 원하는 음악은 무엇인가? 와 같이 상위 레벨의 컨텍스트로 정의된 사용자 추론을 제공하는 것이 힘들다. 이를 보완하기 위해서, 표2와 같이 규칙(Rule) 형태의 지식을 추가하여 이를 보완하였다.
본 연구에서, 음악 추천에 사용할 수 있는 컨텍스트 모델링 및 추론을 지원하는 적당하고 필요한 온톨로지 기반 컨텍스트 모델을 제안하였다. 이를 위해 음악 도메인은 모델링하여 낮은 수준의 음악적 요소를 획득하고, 음악의 무드를 표현할 수 있는 몇가지 음악 요소를 찾았고, 시간과 공간, 주체로 구성되는 음악 관련 상황을 기술 할 수 있는 온톨로지를 구축하였다. 현재 지능형 음악 추천 시스템을 구축하기 위한 프로젝트의 일부로서 현재 음악 온톨로지를 개발 중이다.
대상 데이터
그림 1에서 보는 바와 같이, 이 시스템은 COMUS (COntext-based MUsic recommendation System) 시스템과 COMUS 온톨로지로 구성된다. COMUS 온톨로지는 Protege 온톨로지 에디터 [19]를 사용하였고, OWL 언어로 표현되었다. 온톨로지 개발 과정에서 컨셉과 관계 등에 대한 유효성 체크를 위해 온톨로지 추론엔진으로 RacerPro [26]를 사용하였다.
상위 온톨로지인 CYC 온톨로지가 2,885의 클래스를 가지고, 10,234개의 RDF 트리플 형태로 변환된다. 본 실험은 P4/2.4GHz CPU에 1G 메모리 사양과 P3/1.6GHz CPU에 512M 메모리 사양의 윈도우 기반 PC에서 수행되었다. 온톨로지 추론을 위해 OWL 언어를 지원하고, DIG Interface를 사용한 HTTP/TCP 프로토콜 통신을 지원하는 RacerPro [26]가 사용되었고, 규칙 기반의 추론을 위해서 Jess [27]가 사용되었다.
이 실험에 약 30명이 참여했고, 일부는 음악 관련 교육을 받았지만, 나머지 사람들은 교육을 받지 못했다. 실험 참여자는 상황과 무드에 대한 적합한 용어와 정의를 수집하기 위해 설문지에 응답하는 과정을 수행했다.
이론/모형
온톨로지 개발 과정에서 컨셉과 관계 등에 대한 유효성 체크를 위해 온톨로지 추론엔진으로 RacerPro [26]를 사용하였다. 또한 Jena SPARQL 엔진을 통해 SPAQRL 쿼리를 사용하여 온톨로지 검색에 이용했다. 그림 1은 제안하는 시스템의 구조를 보여준다.
앞서 언급한 바와 같이, 음악 추천 서비스를 지능적으로 제공하기 위해서 지식을 공유하고 추론하는데 이용하기 위해서 온톨로지를 지식 표현 방법으로 사용했다. 온톨로지의 특성상 기존에 정의된 온톨로지를 재사용할 수 있기 때문에, 사람, 시간, 장소 등과 같은 부분은 범용으로 구축되고 검증된 온톨로지를 재사용했다.
COMUS 온톨로지는 Protege 온톨로지 에디터 [19]를 사용하였고, OWL 언어로 표현되었다. 온톨로지 개발 과정에서 컨셉과 관계 등에 대한 유효성 체크를 위해 온톨로지 추론엔진으로 RacerPro [26]를 사용하였다. 또한 Jena SPARQL 엔진을 통해 SPAQRL 쿼리를 사용하여 온톨로지 검색에 이용했다.
6GHz CPU에 512M 메모리 사양의 윈도우 기반 PC에서 수행되었다. 온톨로지 추론을 위해 OWL 언어를 지원하고, DIG Interface를 사용한 HTTP/TCP 프로토콜 통신을 지원하는 RacerPro [26]가 사용되었고, 규칙 기반의 추론을 위해서 Jess [27]가 사용되었다. DL 기반의 OWL 추론은 컨셉을 나타내는 Tbox를 위한 임의의 개념들이 주어졌을 때 상하위 관계를 구축하는 추론하는 포함(subsumption), 주어진 임의의 개념에 대한 subsume or 포함여부를 결정하는 추론인 분류(classification), 개념 정의(definition)에 대한 일관성 체크인 일관성(consistency) 추론과 인스턴스를 나타내는 Abox를 위한 인스턴스화(instantiation), 현실과(realization), 검색(retrieval) 추론으로 구성된다.
이 작업을 수행할 때, 감성 변화 상태를 기술할 때 All Music Guide 용어로부터 수집된 ‘happy, sad, angry, nervous, excited’와 같은 하나 이상의 감정 형용사를 사용했다.
그러므로 DL 기반 추론 엔진은 다양한 타입의 무드와 상황에 따른 시맨틱 질의에 답을 해줄 수 있다. 적합한 음악을 찾아 사용자에게 추천하기 위해 온톨로지 질의를 위해 SPARQL 질의어를 사용하였다. 예를 들면, 사용자가 자신의 음악적 배경을 포함한 프로파일을 생성할 때, 모든 필요한 정보를 프로파일에 넣는 것은 타당하지 않다.
성능/효과
3) 모든 피실험자는 처한 상황, 현재의 감정에 대해 설명하는 것을 듣거나, 질의 인터페이스를 사용해서 미리 정의된 시나리오를 선택할 수 있다.
4) 추천 시스템은 온톨로지와 사용자 프로파일을 이용해서 추천하는 음악을 추론하여 사용자에게 전달한다. 사용자들은 현재 감정에 적합한 음악이 적합한지 판별하고, 만족도에 따라 1~5점 (1: 아주 불만 ~ 5 : 아주 만족) 중에서 하나의 점수를 부여한다.
서로 다른 데이터 집합과 컴퓨터 사이의 서로 다른 성능은 논리에 기반한 컨텍스트 추론이 연산적으로 집약적인 작업임을 보여준다. 온톨로지 기반 추론에 요구되는 시간은 트리플의 수가 2,000개 이상이 되는 시점부터 놀라울 정도로 증가함을 보였다.
이러한 문제를 해결하기 위한 다양한 시도의 하나로 Russel [9]의 Circumflex 모델을 꼽을 수 있다. 이 모델에서는 대상 감정을 2차원의 양방향 축에 표현하고, 각 차원 내의 상반된 감정은 서로 멀리 표현하는 방식으로 약 20개의 감정을 표현하였다. 한편 Thayer [10]는 Russel의 모델을 음악에 적용한 무드 모델 (Mood Model)을 제안하였다.
표 4에 있는 참석자의 감성 선호도의 만족도를 고려하면, happy나 excited와 같이 긍정적인 형용사들은 참석자의 78% 이상이 만족도를 얻었으나, nervous와 같이 모호한 감정에 대해서는 43%의 만족도를 얻을 수 있었다.
후속연구
보다 정교한 음악 추천을 지원하기 위한 확장된 추론 모델과 온톨로지를 개발하고 있다. 나아가 음악 추천에 이용되는 기존 방법과의 비교를 통해 온톨로지를 활용한 접근 방법의 상대적 장점을 발견하는 연구도 시도해 볼 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
COMUS는 무엇인가?
COMUS는 제목, 연주자, 장르와 같은 음악의 일반적인 속성과 무드와 상황과 같이 도메인에 특화된 확장을 제공하는 확장성을 계층적인 방식으로 제공한다. COMUS는 음악 추천을 위한 도메인에 특화된 클래스들이 음악 온톨로지와 연동되도록 OWL 언어를 사용하여 개발된 음악 온톨로지이다. COMUS에 표현된 컨텍스트 정보를 사용하면, 컨텍스트 정보의 일관성을 체크할 수 있고, 규칙 기반의 추론을 통해 명시적인 정보 뿐만 아니라, 내재된 컨텍스트를 도출하는 상위 레벨의 추론이 가능하다고.
대부분의 전통적인 내용기반 음악 검색 기법의 단점은?
전통적으로 대부분의 내용기반 음악 검색 기법들은 [1],[2], 에너지 (Energy), 영교차율 (Zero Crossing Rate), 오디오 스펙트럼 (Audio Spectrum) 등의 저수준의 음악 특성 (Feature)들을 이용하였다. 이러한 기법들은 음악 콘텐츠가 가지는 풍부한 의미 정보 (Semantic Information)를 표현하는데 충분하지 않으며, 다양한 상황에서 원하는 음악을 적절하게 검색하고 추천하기 위한 다음과 같은 질의를 표현하기에 부적절하다. 예를 들어보면, 아침에 일어나자마자 감미로운 멜로디의 소프트한 음악을 듣고 싶을 때나 체육관이나 공원에서 운동하면서 빠른 비트의 음악을 듣고 싶을 때 원하는 음악을 추천해달라는 식의 질의들이 있을 수 있다.
COMUS은 확장성을 어떻게 제공하는가?
본 논문에서는 사용자의 음악적 선호를 모델링하고, 사용자가 원하는 감정과 선호를 추론할 수 있게 도와주는 컨텍스트 기반 음악 추천 온톨로지 (COMUS)를 제안한다. COMUS는 제목, 연주자, 장르와 같은 음악의 일반적인 속성과 무드와 상황과 같이 도메인에 특화된 확장을 제공하는 확장성을 계층적인 방식으로 제공한다. COMUS는 음악 추천을 위한 도메인에 특화된 클래스들이 음악 온톨로지와 연동되도록 OWL 언어를 사용하여 개발된 음악 온톨로지이다.
참고문헌 (27)
Birmingham, W., Dannenberg, R., Pardo, B., "An Introduction to Query by Humming with the Vocal Search System," Communications of the ACM, Vol. 49 (8), pp. 49-52, 2006.
Rho, S., Han, B., Hwang, E., and Kim, M., "MUSEMBLE: A Novel Music Retrieval System with Automatic Voice Query Transcription and Reformulation," Journal of Systems and Software (Elsevier), Vol. 81(7), pp. 1065-1080, July. 2008.
Oscar, C., "Foafing the Music: Bridging the semantic gap in music recommendation," Proceedings of 5th International Semantic Web Conference, 2006.
Yves, R., and Frederick, G., "Music Ontology Specification," Available at: http://www.musicontology.com/
Yves R, Samer A, Mark S, and Frederick G., "The Music Ontology," Proceedings of the International Conference on Music Information Retrieval, ISMIR 2007 : 417-422, 2007.
Kanzaki Music Vocabulary, Available at: http://www.kanzaki.com/ns/music
MusicBrainz, Available at: http://musicbrainz.org
박창호 등, "인지공학심리학: 인간-시스템 상호 작용의 이해," 시그마프레스, 2007.
Russell, J. A., "A Circumplex Model of Affect," Journal of Personality and Social Psychology, Vol. 39, (1980).
Thayer, R. E., "The Biopsychology of Mood and Arousal," New York: Oxford University Press, (1989).
Lie Lu, D. Liu, Hong-Jiang Zhang, "Automatic Mood Detection and Tracking of Music Audio Signals," IEEE Transactions on Audio, Speech & Language Processing, Vol. 14(1), pp. 5-18, (2006).
Sanghoon Jun, Seungmin Rho, Byeong-jun Han, and Eenjun Hwang, "A Fuzzy Inference-based Music Emotion Recognition System," International Conference on Visual Information Engineering, pp. 673-677, July 29 - Aug. 1, 2008.
Juslin, P.N., Sloboda, J.A., "Music and Emotion: Theory and research", New York: Oxford University Press, 2001.
Last.fm, Available at: http://www.last.fm
GarageBand, Available at: http://www.garageband.com/
MyStrands, Available at: http://www.mystrands.com
The Friend of a Friend (FOAF) project, Available at: http://www.foaf-project.org/
OWL Web Ontology Language, Available at: http://www.w3.org/TR/owl-ref/
Protege Editor, Available at: http://protege.stanford.edu
Gerd Ruebenstrunk, "Emotional Computers," Available at: http://ruebenstrunk.de/emeocomp/content.htm
P. Cano, et al., "Content-based music audio recommendation," Proc. ACM Multimedia, pp. 212-212, 2005.
S. Pauws and B. Eggen, "PATS: Realization and user evaluation of an automatic playlist generator," Proceedings of ISMIR, 2002.
Klaus R.S., and Marcel R.Z., "Emotional Effects of Music: Production Rules", Music and emotion: theory and research. Oxford; New York: Oxford University Press, 2001.
Klaus R.S., and Marcel R.Z., "Emotional Effects of Music: Production Rules", Music and emotion: theory and research. Oxford; New York: Oxford University Press, 2001
Novais, Paulo, et al., "Emotions on Agent based Simulators for Group Formation," Proceedings of the European Simulation and Modelling Conference, pp. 5-18, 2006.
RacerPro, Available at: http://www.racer-systems.com/
※ AI-Helper는 부적절한 답변을 할 수 있습니다.