음악정보와 음악적 성향 분석 및 협업 필터링을 이용한 음악추천시스템 Music information and musical propensity analysis, and music recommendation system using collaborative filtering원문보기
모바일 음악 시장이 점차 커지고 있다. 하지만 현재 적용되는 서비스는 사용자가 선호할 만한 음악을 추천하기에는 정확도가 떨어진다. 본 연구에서는 음악 정보와 사용자의 음악적 성향을 분석해 협업 필터링기법으로 사용자가 보다 선호하는 음악을 자동으로 추천해주는 음악 추천 시스템을 제안한다. 본 시스템은 음원의 메타데이터에서 장르 데이터를 추출해서 장르별로 구분하고, STFT기법의 ZCR, Spectral roll-off, Spectral flux의 요소 벡터값을 추출하여 유사한 음원끼리 군집화를 한 후, TF-IDF기법으로 각 음원 가사의 무드를 분류한 다음, 이 요소들로 협업 필터링기법을 이용해 유사한 취향의 사용자를 발견해 자동 음악 추천을 하는 시스템을 제안한다.
모바일 음악 시장이 점차 커지고 있다. 하지만 현재 적용되는 서비스는 사용자가 선호할 만한 음악을 추천하기에는 정확도가 떨어진다. 본 연구에서는 음악 정보와 사용자의 음악적 성향을 분석해 협업 필터링기법으로 사용자가 보다 선호하는 음악을 자동으로 추천해주는 음악 추천 시스템을 제안한다. 본 시스템은 음원의 메타데이터에서 장르 데이터를 추출해서 장르별로 구분하고, STFT기법의 ZCR, Spectral roll-off, Spectral flux의 요소 벡터값을 추출하여 유사한 음원끼리 군집화를 한 후, TF-IDF기법으로 각 음원 가사의 무드를 분류한 다음, 이 요소들로 협업 필터링기법을 이용해 유사한 취향의 사용자를 발견해 자동 음악 추천을 하는 시스템을 제안한다.
Mobile music market is growing. However, services what are applied recently are inaccurate to recommend music that a user is worth to prefer. So, this paper suggests music recommend system. This system recommend music that users prefer analyzing music information and user's musical propensity and us...
Mobile music market is growing. However, services what are applied recently are inaccurate to recommend music that a user is worth to prefer. So, this paper suggests music recommend system. This system recommend music that users prefer analyzing music information and user's musical propensity and using collaborative filtering. This system classify genre and extract factors what can be get using STFT's ZCR, Spectral roll-off, Spectral flux. So similar musics are clustered by these factors. And then, after divide mood of music's lyric, it finally recommend music automatically using collaborative filtering.
Mobile music market is growing. However, services what are applied recently are inaccurate to recommend music that a user is worth to prefer. So, this paper suggests music recommend system. This system recommend music that users prefer analyzing music information and user's musical propensity and using collaborative filtering. This system classify genre and extract factors what can be get using STFT's ZCR, Spectral roll-off, Spectral flux. So similar musics are clustered by these factors. And then, after divide mood of music's lyric, it finally recommend music automatically using collaborative filtering.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
가설 설정
향후 본 연구에서는 제안된 시스템의 정확성과 유효성을 검증하기위해 실증적인 연구를 수반할 것이다. 첫째로, 음원 분석을 수행해 방대한 음원 데이터DB를 구축할 것이다. 둘째로, 협업 필터링의 정확도를 높이기 위해서는 수많은 사용자들의 선호 음악 데이터가 필요하므로 사용자들의 데이터를 모을 것이다.
제안 방법
이와는 달리 EM Clustering은 log-likelihood 함수를 사용하여 모델의 적합성으 평가하고 통계적인 방법을 사용하므로 더욱 효과 적인 기능을 제공한다.[1] 이에 추구하려는 목표에 적합한 EM 군집화(Clustering) 알고리즘을 가지고 음원 데이터를 분석한다.
사용자의 성향 분석 및 음악의 성향을 유추해내기 위해 음원의 메타데이터에서 장르 태그를 추출한 다음, 음파의 파형을 분석한다. 그리고 TF-IDF를 통해 음원 가사의 무드를 분류한다. 이를 통해 음원의 성질을 수치화하여 나타낼 수 있다.
본 논문에서는 음악을 먼저 장르별로 구분하고 음악을 파형으로 분석하여 데이터화한다. 그리고 음악의 가사를 분석해 음악 무드를 데이터화하고 파형 데이터와 무드 데이터를 군집화한 후, 데이터를 모아놓고 사용자가 선호하는 음악을 선택하면 위의 과정을 거쳐 같은 장르의 유사한 파형을 지닌 음악과 사용자와 비슷한 취향을 지닌다고 판단되는 다른 사용자의 선호 음악을 추천해주는 시스템을 제안하였다.
파형의 특징 종류로는 음률의 높이(pitch), 소리의 세고 여림(loudness), 음의 길이(duration), 음질(timbre) 등이 있고 좀더 상세적인 특징으로는 STFT(Short Time Fourier Transform)에 기반을 둔 ZCR(zero crossing-rate), Spectral centroid, Spectral roll-off, Spectral flux와 지각적인 특징을 표현하는 MFCC(Mel-Frequency Cepstral Coefficients), LPC(Linear Prediction refection Coefficients)등이 있다[5]. 본 논문에서는 ZCR, Spectral roll-off, Spectral flux를 조합하여 사용한다. 이들 조합은 일정 구간 내에서 음악을 찾는 알고리즘에서 높은 정확도를 보여준 바 있으므로 채택하게 되었다[5].
사용자들의 음악 청취 서비스를 이용하는 것이 점차 늘어나고 있고, 보다 사용자의 취향을 고려하는 추천 시스템이 필요하다. 본 논문에서는 음악을 먼저 장르별로 구분하고 음악을 파형으로 분석하여 데이터화한다. 그리고 음악의 가사를 분석해 음악 무드를 데이터화하고 파형 데이터와 무드 데이터를 군집화한 후, 데이터를 모아놓고 사용자가 선호하는 음악을 선택하면 위의 과정을 거쳐 같은 장르의 유사한 파형을 지닌 음악과 사용자와 비슷한 취향을 지닌다고 판단되는 다른 사용자의 선호 음악을 추천해주는 시스템을 제안하였다.
Thayer가 제안한 이차원 감정 모델은 간단하면서 강력한 모델로 이 모델을 이용하면, 그림 4와 같이 11개 의 무드로 나타낼 수 있다. 본 논문에서는 이 중 angry, sad, happy, peaceful 4개의 무드를 사용한다.
따라서, 두가지 문제점에 대하여 다음과 같은 해법을 제시한다. 사용자의 성향 분석 및 음악의 성향을 유추해내기 위해 음원의 메타데이터에서 장르 태그를 추출한 다음, 음파의 파형을 분석한다. 그리고 TF-IDF를 통해 음원 가사의 무드를 분류한다.
이론/모형
수치화된 데이터를 토대로 군집화를 적용한다. 군집화를 하기 위해 고려한 방법에는 대표적인 군집화 알고리즘인 K-Means와 EM Clustering을 고려하였다. K-Means와 EM은 반복적인 모델 정제 과정을 통해 최적의 군집을 찾는다는 면에서 유사하다.
후속연구
첫째로, 음원 분석을 수행해 방대한 음원 데이터DB를 구축할 것이다. 둘째로, 협업 필터링의 정확도를 높이기 위해서는 수많은 사용자들의 선호 음악 데이터가 필요하므로 사용자들의 데이터를 모을 것이다. 셋째로, 모여진 데이터를 기반으로 새로운 사용자가 제안된 추천 시스템을 사용했을 때의 정확도를 측정해 검증할 예정이다.
둘째로, 협업 필터링의 정확도를 높이기 위해서는 수많은 사용자들의 선호 음악 데이터가 필요하므로 사용자들의 데이터를 모을 것이다. 셋째로, 모여진 데이터를 기반으로 새로운 사용자가 제안된 추천 시스템을 사용했을 때의 정확도를 측정해 검증할 예정이다.
향후 본 연구에서는 제안된 시스템의 정확성과 유효성을 검증하기위해 실증적인 연구를 수반할 것이다. 첫째로, 음원 분석을 수행해 방대한 음원 데이터DB를 구축할 것이다.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.