МУЗЫКАЛЬНАЯ РЕКОМЕНДАТЕЛЬНАЯ СИСТЕМА

Подводя итог, в терминах количественных результатов, окончательная точность классификации по жанрам с использованием модели Support Vector Machine составляет 80% на тестовом наборе данных. Однако стоит отметить, что другие модели, в частности нейронная сеть и случайный лес, показывают многообещающие результаты. Это значение может быть достигнуто после оптимизации гиперпараметров модели, а также этапа выбора признаков. Эти два метода позволяют существенно повысить точность, ограничивая переобучение. Следует учитывать, что это значение является лишь показателем для части проекта, связанной с классификацией. Матрица путаницы (Рис. 25 в предыдущем разделе) ясно предоставляет нам больше информации о результатах. То, на что мы обращаем внимание в матрице путаницы, это диагональ темного цвета, характеризующая высокую степень восстановления исходного жанра, в то время как остальные случаи должны быть как можно более белыми. Окончательная матрица соответствует желаемому. Из матрицы следует, что некоторые жанры легче для нашей системы различить, чем другие. Действительно, классический жанр всегда определяется. В жанрах поп, металл, кантри и блюз система также довольно эффективна и находит жанр четыре раза из пяти. В отличие от этого, рок и диско сложнее определить. Кроме того, хорошая классификация - это не единственный показатель, на котором следует основываться для рекомендации. Действительно, эти категории не являются взаимоисключающими, и некоторые являются поджанрами других, например металл является поджанром рока. Самые полезные признаки для количественной оценки сходства музыки - это восприятие (громкость, резкость, ширина и MFCC), ритм и танцевальность. Действительно, только восприятие вносит более 60% точности с использованием метода SVM. Следует также отметить, что танцевальность, высокоуровневый признак, предоставляет информацию, существенно отличающуюся от более классических признаков, как физических, так и музыкальных, что позволяет явно улучшить производительность (примерно на 10%).
Результаты прослушивания обнадеживающие. Следует отметить, что эти прослушивания были оценены только одним человеком (мной, автором), и оценка по группе лиц позволила бы лучшую оценку. Однако прогресс между прослушиваниями в начале и после оптимизации явный. В то время как система ранее ошибочно рекомендовала блюзовые песни для совершенно другой поп-музыки, рекомендации теперь более логичные и последовательные. Система в основном рекомендует музыку в рамках того же жанра (иногда от того же исполнителя), и реже - более различные композиции. Во всех случаях есть сходство в общем настроении или тональности выбранной музыки, ее ритме, мелодии или даже инструментации.
В заключении стоит отметить, что для того чтобы учесть вкусы пользователя, возможны несколько подходов, большинство из которых уже объяснены в разделе "Введение". В данной диссертации был выбран и реализован метод контентной рекомендации. Полученные результаты показывают, что можно довольно эффективно изучать вкусы пользователя на основе предыдущей прослушанной им музыки для рекомендации новых композиций. Принцип заключается в том, чтобы извлечь как можно больше информации из аудиозаписи в формате mp3 или wav. Музыкальная композиция рассматривается как свидетельство музыкальных предпочтений пользователя. Извлеченная информация может быть музыкальной (высота звука, ритм), физической, полученной с помощью обработки сигналов (спектральное уменьшение), или признаками более высокого уровня (танцевальность). Важно убедиться, что информация является актуальной и нераздутой с помощью алгоритмов выбора признаков. Из лучшего набора признаков алгоритм машинного обучения (в данном случае, метод опорных векторов) классифицирует музыку по жанрам. После этапа классификации следует этап рекомендации. Он заключается в поиске четырех других композиций, которые будут рекомендованы пользователю. Эти композиции будут теми, которые наиболее близки по признакам. Одной из самых сложных задач в этом проекте является оценка. Довольно сложно измерить производительность нашей системы. Исходные результаты основывались на различных классификаторах, изученных в проекте. В то же время проводились прослушивания для оценки рекомендаций и моделей.

Купить