Тип работы:
 Предмет:
 Язык работы:


Система определения музыкальных предпочтений

Работа №125356

Тип работы

Дипломные работы, ВКР

Предмет

модели данных

Объем работы45
Год сдачи2016
Стоимость4850 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
54
Не подходит работа?

Узнай цену на написание


Введение 3
Обзор существующих систем 6
Постановка задачи 9
Глава 1. Теория 10
1.1 Получение амплитудно-частотного спектра 10
1.2 Определение параметров для классификации композиций 12
1.3 Алгоритмы классификации 13
1.3.1 Метод опорных векторов 13
1.3.2 Метод ближайших соседей 15
1.3.3 Решающее дерево 18
Глава 2. Практическое исследование 23
2.1 Используемые технологии 23
2.2 Классификация 24
2.3 Перекрёстная проверка 25
2.3.1 Варианты перекрёстной проверки 27
2.3.2 Результаты перекрёстной проверки 28
2.4 Результаты 31
Выводы 36
Заключение 37
Список литературы 39
Приложение 41

В наше время людям доступно большое количество разнообразных му­зыкальных произведений на любой вкус из разных источников. Каждый че­ловек хотел бы слушать ту музыку, которая больше нравится именно ему. Вручную прослушивать миллионы песен, чтобы отобрать понравившиеся для себя песни, достаточно долго и трудоёмко. Поэтому существуют рекоменда­тельные системы [1], которые делают это за вас.
Существует два наиболее распространённых подхода к построению рекомендательных систем — коллаборативная фильтрация и рекомендации на основе содержимого (content based). Также существуют гибридные систе­мы, которые являются комбинацией этих двух подходов. При рекомендациях на основе содержимого обо всех пользователях собирается информация, ко­торая может говорить об их предпочтениях. Также для каждого объекта, ко­торый можно порекомендовать пользователям, выделяются признаки, по ко­торым можно охарактеризовать этот объект. Для музыкальных композиций это могут быть альбом, жанр, исполнитель и так далее. На основе информа­ции о пользователе ему подбираются объекты с нужными признаками. При коллаборативной фильтрации пользователю рекомендуются те объекты, ко­торые понравились другим пользователям с похожими оценками.
Преимущество коллаборативной фильтрации перед content based си­стемами состоит в том, что можно рекомендовать объекты, у которых нет яв­ных признаков — мысли, идеи, мнения. Однако у коллаборативной фильтра­ции есть и значительные недостатки. Если предметов слишком много или пользователи мало оценивают эти предметы, то много объектов остаётся не оценёнными. Из-за этого трудно найти пользователей с похожими оценками.
Второй проблемой является то, что такая система плохо работает с новыми пользователями и предметами. Если новый пользователь ещё ничего не оце­нил, то система ничего не сможет ему порекомендовать. Также новый пред­мет может быть ещё никем не оценённым, поэтому рекомендательная систе­ма не сможет предложить этот предмет пользователям.
Для полноценной работы рекомендательных систем им нужна инфор­мация о пользователях, поэтому существуют различные способы получения этой информации.
Способы получения информации:
• оценка каких-либо объектов пользователем;
• сравнение каких-либо объектов пользователем;
• выбор лучшего объекта пользователем из группы объектов;
• отслеживание истории просмотров пользователя ;
• отслеживание поведения пользователя в интернете.
Значительный толчок развитию рекомендательных систем принесло соревнование Netflix Prize [2]. Организатором соревнования была компания Netflix, занимающаяся прокатом DVD. Каждому просмотренному фильму клиент мог поставить свою оценку по пятибалльной шкале. В процессе рабо­ты компании ей удалось собрать более миллиарда оценок фильмов клиента­ми. Netflix использовала эту базу оценок для рекомендаций фильмов клиен­там, поэтому компания была заинтересована в улучшении качества рекомен­даций для получения большей прибыли с проката дисков. Для этих целей в 2006 году компания Netflix объявила соревнование Netflix Prize. На основе миллионов собранных оценок пользователей участники соревнования долж­ны были разработать алгоритм, наилучшим образом определяющий оценку, которую поставит пользователь какому-либо фильму. Качество работы алго­ритмов определялось при помощи метрики RMSE:
1 z ;x2
RMSE= iTiZ^“yj)'
J (О ) e т
где i — пользователь, j — предмет, у — оценка пользователя, х — предсказанная оценка, Т — всё множество тестовых оценок.
Участники должны были улучшить разработанный Netflix алгоритм хо­тя бы на 10% по метрике RMSE. За победу присуждался приз в размере $ 1 000 000. В конце третьего года соревнований только две команды смогли справиться с заданием. Несмотря на то, что только одна команда из двух по­лучила обещанный приз, сам конкурс внёс значительный вклад в развитие данной области.
В ходе этого соревнования участники пытались улучшить или комби­нировали существующие подходы рекомендательных систем. Однако они не принимали во внимание физическую природу музыкальных композиций, их амплитудно-частотный спектр. А что, если придумать метод поиска похожих композиций на основе их амплитудно-частотного спектра. Каковы будут его результаты? Ответ на этот вопрос я попытаюсь дать в своей работе.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В настоящее время существует достаточно много рекомендательных систем музыки, которые позволяют пользователю быстро и удобно получать доступ к той музыке, которая удовлетворяет именно его вкусам. Однако ис­ходя из отзывов других пользователей и своего опыта, можно заключить, что не все системы советуют именно ту музыку, которая нравится пользователю. Большинство подобных систем ищут пользователей, которым нравятся те же песни, что и вам, и предлагают к прослушиванию их другие музыкальные композиции. Этот подход может давать не лучшие результаты, так как труд­но найти пользователей с одинаковыми плейлистами. Поэтому нет никаких гарантий, что то, что понравилось одному, понравится и другому. Необходи­мо ещё учитывать звучание голоса и музыки в музыкальной композиции. В данной работе проводилось исследование возможности рекомендаций музы­кальных композиций на основе схожести их амплитудно-частотного спектра.
Для определения похожих композиций использовался подход на основе машинного обучения, в частности, алгоритмы классификации. В этих алго­ритмах каждый объект представляется вектором признаков, по которым да­лее происходила классификация и присваивание объекту определённого класса. Для представления музыкальных композиций в подходящем для классификаторов виде использовались статистические характеристики, кото­рые вычислялись по амплитудно-частотному спектру композиций.
В выбранных алгоритмах классификации есть неопределённые пара­метры, которые необходимо подбирать. Для этой цели зачастую применяют перекрёстную проверку, которая была опробована для метода к ближайших соседей. Оценка работы классификаторов производилась с помощью обще­принятых для этой задачи метрик, таких как точность, полнота и F-мера.
Так как музыкальные предпочтения у всех людей разные, не существу­ет одной универсальной выборки для работы алгоритмов классификации. Поэтому в моём исследовании были взяты три выборки песен разных людей. Полученные результаты показали, что не существует одного алгоритма клас­сификации, который бы давал одинаково хорошие результаты для разных людей, но можно в каждом случае такой алгоритм подобрать. Из полученных результатов также можно сделать вывод, что гораздо лучше классифициру­ются песни одного или нескольких похожих жанров. Например, на основе результатов по третьей выборки можно заключить, что джаз и рок-н-рол хо­рошо отделяются от современной попсы. Стоит заметить, что на всех трёх выборках данный подход показал неплохие результаты. В дальнейшем необ­ходимо расширять тренировочную и проверочную выборки, чтобы сделать окончательные выводы по применимости данного подхода.


1. Melville P., Mooney R., Nagarajan R. Content-Boosted Collaborative Filtering for Improved Recommendations // University of Texas, USA : Материалы конф. / AAAI-02, Austin, TX, USA, 2002. — 2002. P. 187-192.
2. James Bennett, Stan Lanning The Netflix Prize [Электронный ре­сурс] // Proceedings of KDD Cup and Workshop 2007, San Jose, California, Aug 12, 2007. URL: http://www.netflixprize.com/assets/NetflixPrizeKDD to appear.pdf (дата обращения: 01.03.16).
3. Вконтакте. Похожие аудиозаписи [Электронный ресурс]: URL: https://vk.com/page-2158488 49041638 (дата обращения: 2.04.16).
4. Как это работает? Рекомендации в Яндекс.Музыке [Электрон­ный ресурс]: URL: https://yandex.ru/blog/company/92883 (дата об­ращения: 2.04.16).
5. Как работают рекомендации в Apple Music и как им помочь [Электронный ресурс]: URL: http://appleinsider.ru/tips-tricks/kak-rabotayut-rekomendacii-v-apple-music-i-kak-im-pomoch.html (дата обращения: 2.04.16).
6. Сергиенко А. Б. Цифровая обработка сигналов. Спб: Питер, 2006. 751 с.
7. Применение преобразования Фурье для анализа сигналов [Элек­тронный ресурс]: URL: https://habrahabr.ru/post/269991/ (дата об­ращения: 7.04.16).
8. HOLO [Электронный ресурс]: URL: https://habrahabr.ru/post/161005/ (дата обращения: 9.04.16).
9. Вьюгин В. В. Математические основы машинного обучения и прогнозирования. М.: 2013. 387 с.
10. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer, 2009.
11. Воронцов К. В. Лекции по логическим алгоритмам классифика­ции. 2007. 53 с.
12. Гришкин В.М., Власов Д.Ю., Жабко А.П., Ковшов А.М., Щиго- рец С.Б., Якушкин О.О. Система распознавания биологических загрязнителей поверхности памятников культурного наследия // Устойчивость и процессы управления: Материалы III междуна­родной конференции. 2015. С. 569-570.
13. Emgu CV [Электронный ресурс]: URL: http://www.emgu.com/wiki/index.php/Main_Page (дата обращения: 04.03.16).
14. Accord.NET [Электронный ресурс]: URL: http://accord- framework.net/ (дата обращения: 26.04.16).
15. Маннинг К., Рагхаван П., Шютце Х. Введение в информацион­ный поиск. M.: Вильямс, 2011. 512 с.
...
Оглавление и введение
Содержание с началом введения
Фрагмент главы 1

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.