Система определения музыкальных предпочтений

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 ещѐ 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 определѐнного
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 неопределѐнные параметры, которые необходимо подбирать. Для этой цели зачастую применяют
перекрѐстную проверку, которая была опробована для метода ближайших38
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 моѐм 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 трѐх
выборках данный подход показал неплохие результаты. В дальнейшем необходимо расширять тренировочную и проверочную выборки, чтобы сделать
окончательные выводы по применимости данного подхода.

Купить