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 사용자의 질의어 특징을 반영한 노래 가사 검색 시스템을 제안하였다. 노래 가사 검색에서 사용자들은 음악의 하이라이트 부분에 해당하는 노래 가사를 질의어로 사용한다는 점에 착안하여, 노래 가사 검색 시스템을 구축할 시, 가사의 하이라이트 부분과 더불어 하이라이트 부분 주변 단어들의 가중치를 고려하여 색인을 구축하였다.
- 본 논문에서는 질의어의 특징을 고려한 노래 가사 검색을 제안한다. 제안한 방법은 노래 가사를 색인할 때, 가사의 부분, 부분마다 서로 다른 가중치를 가지고 색인을 수행한다.
- 따라서 주어진 문서를 Bag-of-Words로 표현할 때, POI 이름 주변 단어들이 그렇지 않은 단어보다 더 중요하도록 가우시안 함수를 사용하였다. 본 연구는 가우시안 함수 기반 지역적 중요도를 고려하여 가사 검색을 수행하고자 한다.
제안 방법
- 군집화를 위해 본 논문에서는 가사 중에 한 라인(일반적으로 두 마디 또는 작은 악절, phrase)을 군집 단위로 간주한다. 그림 2는 “ 김광석”의 “이등병의 편지”가사이다.
- 본 논문에서는 사용자의 질의어 특징을 반영한 노래 가사 검색 시스템을 제안하였다. 노래 가사 검색에서 사용자들은 음악의 하이라이트 부분에 해당하는 노래 가사를 질의어로 사용한다는 점에 착안하여, 노래 가사 검색 시스템을 구축할 시, 가사의 하이라이트 부분과 더불어 하이라이트 부분 주변 단어들의 가중치를 고려하여 색인을 구축하였다. 실험을 통해, 제안한 방법이 사용자의 질의 유형을 고려하지 않는 모델보다 더 유용함을 보였다.
- 본 논문에서는 가우시안 함수로 사용하여 하이라이트 부분 뿐 아니라 주변 단어도 반영할 수 있는 방법을 제안한다. 가우시안 함수는 종 모양을 가진 연속적인 함수(continuos function)로 평균(mean)에서 가장 높은 값을 가지며, 평균에서 멀어질수록 낮은 값을 가진다.
- 이 때, 중요한 것은 하이라이트 부분은 같은 장르의 음악이라 할지라도 서로 다르게 나타나며, 음악 전반에 걸쳐 여러 군데 나타날 수 있다. 본 논문에서는 이를 해결하기 위해 응집 계층 군집화(hierarchical agglomerative clustering)를 사용하여 하이라이트 개수와 가사 위치와는 무관하게 하이라이트 부분을 찾는다.
- 본 논문에서는 하이라이트 부분뿐 아니라 하이라이트 주변부까지 가중치를 고려한다. 이는 사용자들이 하이라이트 부분뿐만 아니라 주변부에 있는 가사를 질의어로 사용하는 것을 고려하기 위함이다.
- 실험을 위해 본 논문에서는 가사 사이트에서 노래 가사를 직접 수집하였다. 표 1은 수집한 데이터의 통계 정보를 보여준다.
- 본 논문에서는 질의어의 특징을 고려한 노래 가사 검색을 제안한다. 제안한 방법은 노래 가사를 색인할 때, 가사의 부분, 부분마다 서로 다른 가중치를 가지고 색인을 수행한다. 즉, 하이라이트 부분에 해당하는 가사에 중요도를 높임으로써, 하이라이트 부분의 가사가 하이라이트 부분에 해당하지 않는 가사보다 더 중요하게 색인될 수 있도록 한다.
- 예를 들어, “ 박지윤”의 “환상”을 찾기 위해 사용자가 “그대 떠난 걸 헤어졌다는걸 혼자라는 걸”로 질의어를 입력하였다. 제안한 방법은 질의어의 “그대”, “떠난”과 “걸” 단어가 하아리이트에 자주 나온 “별”의 “슬픈건망증”을 상위로 검색하였다. 즉, 질의어가 가사에서 널리 쓰이는 단어들로 구성된 경우, 제안한 방법은 하이라이트와 그 주변을 특별히 고려하였기에 몇몇 질의어에 대해 낮은 성능을 보여주었다.
- 제안한 방법을 평가하기 위해 비교 모델로는 하이라이트를 고려하지 않고 색인을 구축한 방법과 가우시안 함수를 통해 보정하지 않고 하이라이트만을 고려하여 색인을 구축하는 방법을 사용하였다. 평가 척도로는 본 논문에서는 Mean Reciprocal Rank (MRR)[20]을 사용하였으며, 다음과 같이 정의된다.
- 질의어 타입으로는 완전 일치 검색(Exact search) 및 편집 거리를 고려한 완전 일치 검색(Exact search with edit distance), 단어 일치 검색(Term), 단어 일치와 완전 일치를 같이 사용한 검색(Term + Exact search), 단어 일치와 편집 거리를 고려한 완전 일치를 같이 사용한 검색(Term + Exact search with edit distance), n그램 검색(N-gram search) 및 단어 일치와 n그램 검색을 같이 사용한 검색(Term + N-gram search)을 사용하였다. 예제에서 따옴표는 완전 일치를, ~는 편집 거리를 의미한다.
- 최근 사용자에게 편의를 제공하고자 SoundHound1)및 Shazam2)과 같은 음악 검색 서비스는 허밍, 멜로디 등과 같이 오디오 시그널 정보를 질의로 음악 검색을 시도하고 있다. 하지만 아직 많은 사용자들은 오디오 시그널 대신 텍스트 가사를 입력으로 음악을 검색하고 있으며, 본 논문에서는 노래 가사를 질의어로 하여 음악을 찾아주는 가사 검색만을 다룬다.
대상 데이터
- 그림 3은 5명의 사용자가 실험에 사용한 질의어를 분석한 것이다. 50개의 질의어 중, 9개를 제외한 41개 질의어가 본 논문에서 제안한 하이라이트 부분에서 나왔음을 볼 수 있다. 이를 통해 사용자들이 가사로 음악을 검색할 때, 대부분 하이라이트 부분에서 질의어를 작성하는 것을 볼 수 있다.
- 노래 가사 검색을 위해 총 5명의 사용자 각각 10개의 질의어를 입력으로 사용하였다. 표 2는 실험에서 사용한 질의어에 대한 통계정보를 보여준다.
- 본 논문에서 총 7개의 질의어 타입에 대해 검색을 수행하였다. 표 3은 실험에 사용한 질의어 타입과 “렘블피쉬”의 “그대 내게 다시”에대한 해당 예제를 보여준다.
- 9개의 라인을 가지고 있다. 본 실험에서는 형태소 분석 및 특수 문자를 제거하지 않았으며 유일한 단어의 개수는 총 256,501개 이다.
- 주어진 라인에 대한 가중치 함수인 수식 (1)의 파라미터인 를 찾기 위해 5명의 사용자 외에 사용자 1명을 추가로 실험에 사용하였다. 이 사용자 또한 총 10개의 질의어를 사용하였고, 10개 중 8개가 음악의 하이라이트 부분에 해당하였다.
- 제안한 방법의 유용성을 확인하고자 한국어로 작성된 22,605개의 노래 가사를 수집하고, Lucene3)을 사용하여 노래 가사 검색 시스템을 구축한 후, 사용자 5명을 대상으로 노래 가사 검색을 수행하였다. 질의어 유형에 따른 성능을 보기 위해 총 7가지 질의어를 작성하여 실험을 수행하였으며, n그램으로 작성한 질의어가 가장 좋은 성능을 보였다.
- 주어진 라인에 대한 가중치 함수인 수식 (1)의 파라미터인 를 찾기 위해 5명의 사용자 외에 사용자 1명을 추가로 실험에 사용하였다. 이 사용자 또한 총 10개의 질의어를 사용하였고, 10개 중 8개가 음악의 하이라이트 부분에 해당하였다.
- 표 2는 실험에서 사용한 질의어에 대한 통계정보를 보여준다. 질의어의 길이는 최소 2개의 단어에서 최대 9개의 단어로 작성되어 있으며, 평균적으로 5.13개의 단어를 사용하였다. 그림 3은 5명의 사용자가 실험에 사용한 질의어를 분석한 것이다.
- 표 1은 수집한 데이터의 통계 정보를 보여준다. 총 22,605곡을 수집하였으며, 수집한 노래 가사 중 가장 긴 라인 개수는 152개이며, 가장 적은 라인의 개수는 3개다. 평균적으로 약 24.
이론/모형
- 그 결과, 가사마다 서로 다른 개수의 하이라이트가 있음을 처리할 수 있다. 군집 단위간의 유사도를 계산하기 위해 본 논문에서는 음절 단위에서 정규화 편집 거리(normalized edit distance)를 사용하였으며, 군집간의 유사도를 측정하기 위해서는 단일결합법(single linkage)을 사용하였다.
- 하이라이트 부분이 표시된 가사와 하이라이트 주변부를 고려할 수 있는 가중치 함수를 입력으로 노래 가사 검색을 위한 색인을 구축한다. 본 논문에서는 Lucene을 사용하여 노래 가사 검색 시스템을 구축하였다. 최종적으로 사용자가 찾고자 하는 노래 가사 일부를 질의어로 입력하면, 검색 시스템은 구축된 색인을 통해 가장 적합한 노래 가사를 찾고, 이를 사용자에게 제공한다.
- 본 논문에서는 주어진 노래 가사에서 하이라이트 부분을 찾기 위해 비지도 학습인 군집화(clustering)를 사용한다. 비지도 학습을 사용한 이유는 노래 가사 마다 서로 다른 수의 하이라이트를 가지고 있어 규칙 기반 방법의 한계를 극복함과 동시에 많은 수의 학습 데이터를 필요로 하는 지도 학습의 문제점을 해결하기 위함이다.
- 이는 사용자들이 하이라이트 부분뿐만 아니라 주변부에 있는 가사를 질의어로 사용하는 것을 고려하기 위함이다. 이를 위해 본 논문에서는 가우시안 함수(Gaussian)를 가중치 함수로 사용함으로써 하이라이트 부분에서 조금 떨어진 가사가 멀리 떨어진 가사보다 더 중요하도록 만든다.
- 제안한 방법을 평가하기 위해 비교 모델로는 하이라이트를 고려하지 않고 색인을 구축한 방법과 가우시안 함수를 통해 보정하지 않고 하이라이트만을 고려하여 색인을 구축하는 방법을 사용하였다. 평가 척도로는 본 논문에서는 Mean Reciprocal Rank (MRR)[20]을 사용하였으며, 다음과 같이 정의된다.
성능/효과
- 5가 된다. MRR은 전체 질의어 집합 Q에 대한 RRi의 평균이기 때문에, MRR이 높다는 것은 검색 결과 상위에 정답이 존재함을 의미하며, 이는 검색 결과가 우수함을 나타낸다. 본 논문에서는 총 10개까지 검색 결과를 출력하였으며, 검색 결과에서 정답이 포함되지 않는 경우, RRi은 0으로 계산하였다.
- 실험을 통해, 제안한 방법이 사용자의 질의 유형을 고려하지 않는 모델보다 더 유용함을 보였다. 그뿐만 아니라 단순한 단어 일치 검색이나 완전 일치 검색보다 n그램으로 질의어를 생성한 후, 검색을 수행하는 것이 가사 검색에서 좋은 성능 결과를 보였다.
- 하이라이트 부분을 고려하지 않는 기존 방법은 “없는”, “거리에는” 단어들이 자주 나타난 “V-One”의 “하루만에” 음악을 상위로 검색하였다. 반면, 제안한 방법은 음악의 하이라이트 부분에 해당하는 단어에 높은 가중치를 주었기에, 질의어에 사용된 단어(“없는”과 “거리에는”)들이 “성시경” 의 “거리에서”가사에 비록 한번 나왔을지라도 하이라이트에 나왔기에 “V-One”의 “하루만에”보다 상위에 검색되었다.
- 본 논문에서 제안한 방법은 질의어에 포함된 단어에 대하여 비록 노래 가사 내에서 해당 단어의 빈도수가 크지 않지만 하이라이트에 속하는 경우 적절한 음악을 찾아주는 강점을 보였다. 예를 들어, 한 사용자가 “성시경”의 “거리에서”를 찾기 위해, 입력 질의를 “니가 없는 거리에는”이라고 작성하였다.
- 노래 가사 검색에서 사용자들은 음악의 하이라이트 부분에 해당하는 노래 가사를 질의어로 사용한다는 점에 착안하여, 노래 가사 검색 시스템을 구축할 시, 가사의 하이라이트 부분과 더불어 하이라이트 부분 주변 단어들의 가중치를 고려하여 색인을 구축하였다. 실험을 통해, 제안한 방법이 사용자의 질의 유형을 고려하지 않는 모델보다 더 유용함을 보였다. 그뿐만 아니라 단순한 단어 일치 검색이나 완전 일치 검색보다 n그램으로 질의어를 생성한 후, 검색을 수행하는 것이 가사 검색에서 좋은 성능 결과를 보였다.
- 1만큼 더 높은 MRR을 얻음을 볼 수 있다. 이를 통해, 가사 검색 시, 하이라이트 부분의 가중치를 고려하여야 하며, 추가적으로 하이라이트 부분 주변까지 고려한 것이 가장 좋은 성능을 보임을 알 수 있었다.
- - n그램 질의어 타입이 단어 일치 검색에 비해 높은 성능을 얻었음을 볼 수 있다. 일반적인 문서 검색과 달리 가사 검색에서는 사용자들이 가사의 일부를 질의어로 사용하기 때문에 단어들의 연속성을 고려한 n그램 질의어 타입이 더 좋은 성능을 얻을 수 있었다.
- 을 사용하여 노래 가사 검색 시스템을 구축한 후, 사용자 5명을 대상으로 노래 가사 검색을 수행하였다. 질의어 유형에 따른 성능을 보기 위해 총 7가지 질의어를 작성하여 실험을 수행하였으며, n그램으로 작성한 질의어가 가장 좋은 성능을 보였다. 최종적으로 제안한 방법이 하이라이트를 고려하지 않는 검색과 단순히 하이라이트만을 고려한 검색보다 사용자에게 원하는 음악을 찾아줌을 보였다.
- 질의어 유형에 따른 성능을 보기 위해 총 7가지 질의어를 작성하여 실험을 수행하였으며, n그램으로 작성한 질의어가 가장 좋은 성능을 보였다. 최종적으로 제안한 방법이 하이라이트를 고려하지 않는 검색과 단순히 하이라이트만을 고려한 검색보다 사용자에게 원하는 음악을 찾아줌을 보였다.
- 표 4는 위 실험을 통해 최종 성능을 정리한 것이다. 표에서 보듯이 제안한 방법이 기존 비교 모델들에 비해 0.01에서 0.1만큼 더 높은 MRR을 얻음을 볼 수 있다. 이를 통해, 가사 검색 시, 하이라이트 부분의 가중치를 고려하여야 하며, 추가적으로 하이라이트 부분 주변까지 고려한 것이 가장 좋은 성능을 보임을 알 수 있었다.
후속연구
- 사용자가 음악의 하이라이트 부분을 기억할 시, 단순히 가사 뿐만 아니라 오디오 시그널 정보에도 영향을 받는다. 향후 연구에는 텍스트 가사 분석의 한계를 넘어 운율이나 코러스 같은 오디오 시그널 정보를 분석함으로써 하이라이트 부분 추출의 성능을 높이고 나아가서 노래 가사 검색 시스템의 검색 성능을 높일 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.