طراحی سیستم پیشنهاد دهنده موسیقی ایرانی (داده‌کاوی)

طراحی سیستم پیشنهاد دهنده موسیقی ایرانی (داده‌کاوی)

پایان نامه طراحی سیستم پیشنهاددهنده موسیقی ایرانی با استفاده از داده‌کاوی

فصل اول:مقدمه

1-1 مقدمه…………………………………………………………………………………………………………………………………..2

1-2تعریف مساله………………………………………………………………………………………………………………………..2

1-3اهداف و دستاوردها……………………………………………………………………………………………………………..4

1-4ساختار پایان نامه………………………………………………………………………………………………………………..5

فصل دوم: بر متون گذشته مرور

2-1 مقدمه………………………………………………………………………………………………………………………………….8

2-2موسیقی و ویژگی‌های آن…………………………………………………………………………………………………….8

2-2-1موسیقی چیست………………………………………………………………………………………………….8

2-2-2      ویژگی‌های صوتی موسیقی………………………………………………………………………………9

2-2-3      تولید موسیقی………………………………………………………………………………………………..10

2-3استخراج ویژگی‌های محتوایی از فایل صوتی………………………………………………………………….13

2-3-1انواع ویژگی‌ها………………………………………………………………………………………………...13

2-3-2  تقسیم بندی ویژگی‌ها از  نظر طول فریم…………………………………………………….27

2-4 مجموعه داده‌ها…………………………………………………………………………………………………………………28

2-5رده‌بندی موسیقی…………………………………………………………………………………………………………….28

2-5-1      رده‌بندی………………………………………………………………………………………………………..28

2-5-2      رده‌بندی در متون گذشته……………………………………………………………………………..31

2-6سیستم‌هایپیشنهاددهنده……………………………………………………………………………………………….35

2-6-1انواع سیستم‌های پیشنهاددهنده………………………………………………………………….35

2-6-2سیستم‌های پیشنهاد دهنده موسیقی……………………………………………………………37

2-7 نتیجه…………………………………………………………………………………………………………………………………38

فصل سوم:روش پیشنهادی

3-1مقدمه………………………………………………………………………………………………………………………………….40

3-2 تولید مجموعه داده از موسیقی ایرانی………………………………………………………………………………41

3-2-1      جمع‌آوری داده‌ها و فرا داده‌ها و پیش پردازش…………………………………………….41

3-2-2      استخراج ویژگی‌ها………………………………………………………………………………………….42

3-2-3      ویژگی‌های مجموعه داده‌ها……………………………………………………………………………43

3-3 ویژگی Area Method Of Moment of MFCC……….………………………………..46

3-3-1عملگر …………………………………..Area Method Of Moment47

3-3-2روش محاسبه Area Method Of Moment of MFCC………………..49

3-4معرفیمعیار شباهت پروفایل جدید………………………………………………………………………………….49

3-4-1      معیار شباهت پروفایل…………………………………………………………………………………….50

3-5برنامه کاربردی پیشنهاددهنده موسیقی…………………………………………………………………………..52

3-5-1      پیشنهاد دهی بر اساس شباهت موسیقی……………………………………………………..55

3-5-2      پیشنهاد دهی بر اساس شباهت پروفایل……………………………………………………….56

3-6نتیجه…………………………………………………………………………………………………………………………………57

فصل چهارم: ارزیابی

4-1مقدمه…………………………………………………………………………………………………………………………………59

4-2ارزیابی برتریمجموعه داده تولید شده……………………………………………………………………………59

4-3ارزیابیویژگیArea Method Of Moment of MFCC…………………………………….61

4-3-1رده‌بندی سبک………………………………………………………………………………………………61

4-3-2رده‌بندی دستگاه‌های موسیقی سنتی…………………………………………………………..66

4-3-3پیشنهاددهی با استفاده از ویژگی Area Method Of Moment of MFCC68

4-4ارزیابی معیارشباهتپروفایل…………………………………………………………………………………………..69

4-5نتیجه………………………………………………………………………………………………………………………………..69

فصلپنجم:نتیجه گیری و کارهای آینده

5-1مقدمه………………………………………………………………………………………………………………………………….71

5-2دستاوردهای تحقیق…………………………………………………………………………………………………………..72

5-3محدودیت­ های تحقیق………………………………………………………………………………………………………73

5-4کارهای آینده…………………………………………………………………………………………………………………….73

چکیده:

به دلیل رشد بی‌رویه فایل‌های موسیقی و ایجاد کتابخانه‌های عظیم دیجیتال، بازیابی اطلاعات موسیقی و سازمان‌دهی آن بر اساس نوع ژانر یا خواننده و یا حالت و … تبدیل به چالشی مهم شده است. علاوه بر آن افراد ذائقه‌های مختلفی در انتخاب موسیقی دارند و یا در شرایط مختلف نیازهای متفاوتی به نوع و حالت موسیقی دارند که با توجه به حجم زیاد موسیقی یافتن فایل‌هایی که مرتبط با ذائقه و یا نیاز افراد باشد کاری دشوار به نظر می‌رسد از همین روست که در سال‌های اخیر  توجه خاصی به بازیابی اطلاعات موسیقی شده است. هم اکنونفراداده‌یی نظیر نام فایل، خواننده، اندازه فایل، تاریخ وژانر به صورت معمول در رده‌بندی و بازیابی این رکوردها مورد استفاده قرار می‌گیرد. اما این دسته‌بندی‌ها پاسخ‌گوی نیاز دنیای امروز نیست.

هدف اصلی این پایان­نامه بهبود روش‌های پیشنهاددهی موسیقی  با استفاده ازویژگی‌هایمحتواییو همچنین مدیریت پروفایل‌های مشتری می‌باشد. در راستای دست یافتن به این هدفرده‌بندی فایل‌های موسیقی در کلاس‌هایی مانند خواننده و ژانر و یافتن موسیقی‌هایی که از نظر موسیقیای به هم شباهت دارند و همچنین پیشنهاد بر اساس مشتری‌هایی که ذائقه‌های مشترک دارند را می‌توان به خدمت گرفت.

در این پایان‌نامه در جهت رسیدن به اهداف ذکر شده، یکی ازکارهای انجام گرفته یافتن یک ویژگی رده­بندی جدید به نام Area Method of Moment می­باشد. این ویژگی بالاترین درصد کارایی را در رده‌بندی ژآنر به دست داده است. علاوهبراین، با استفاده از همین ویژگی‌هایی که نشان‌دهنده یک ویژگی موسیقیای خاص است میزان شباهت فایل‌های موسیقی به هم اندازه‌گیری شده و به کاربران پیشنهاد شده که با توجه به بازخورد کاربران به ارزیابی میزان صحت می‌پردازد.

در ادامه  برای به خدمت گرفتن روش Collaborative flittering  به ارائه معیاری جدید در یافتن شباهت میان پروفایل‌هامی‌پردازیم. به دلیل این که هدف اصلی این پایان‌نامه کار کردن بر روی موسیقی ایرانی است، بنابراین به علت عدم  وجود مجموعه داده مناسب، برای شروع مناسب، ایجاد مجموعه داده مناسب در اولویت تحقیق قرار گرفته است. شایان ذکر است که برای ارزیابی و دریافت بازخورد مشتریان، برنامه کاربردی با ویژگی‌های مذکور پیاده سازی شده است.

از آنجایی که در دنیای رقابتی امروز یافتن موسیقی مورد پسند افراد در صنعت فروش موسیقی از اهمیت بالایی برخوردار استروش‌های پیشنهاد شده در این تحقیق می‌تواند بسیار کاربردی باشد. با توجه به نتایج به دست آمده دراین تحقیق، امید آن می­رود که کمپانی‌های فروش موسیقی آن‌ها را در سطح تجاری مورد استفاده قرار دهند. همچنین روش‌های ارائه شده در این سیستم پیشنهاددهنده می‌تواند برای سایر سیستم‌های پیشنهاددهنده نیز مورد استفاده قرار گیرد.

 مقدمه

تمرکز این تحقیق ارائه روشی کارامد برای رده بندی موسیقی ایرانی در سبک های مختلف و در ادامه ارائه سیستمی پیشنهاد دهنده بر پایه این روش می باشد. به دلیل نو بودن تحقیق در داخل کشور و نبود مجموعه داده مناسب برای انجام تحقیقات یکی از مهمترین دست آورد های این تحقیق ایجاد یک مجموعه داده جامع میباشد. در راستای ارائه روش رده بندی مناسب، در این تحقیق ویژگی جدیدی که کارایی بالایی در رده بندی سبک و همچنین تعیین شباهت فایل های صوتی دارد به خدمت گرفته شده است. در ادامه روشی برای تعیین میزان شباهت پروفایل مشتریان در جهت پیشنهاددهی دقیق تر ارائه شده است. و برنامه کاربردی برای پیشنهاددهی موسیقی توسعه داده شده است.

نتایج به دست آمده از این تحقیق می‌تواند به طور کلی توسط فروشندگان، کتابخانه‌ها، موسیقی‌دانان و شنوندگان مورد استفاده قرار گیرد.می‌توان از این سیستم در صدا و سیما به منظور انتخاب موسیقی برای مناسبت‌های  مختلف استفاده نمود. می‌توان این سیستم در فروشگاه‌ها و آرشیوهای موسیقی به منظور سازمان‌دهی و پیشنهاد بهترین موسیقی به خریدار مورد استفاده قرار گیرد. از این سیستم می‌توان برای استفاده شخصی به منظور سازمان دهی و ایجاد آرشیوهای شخصی بهره برد.

این سیستم استفاده خاص در محیط‌های عمومی مانند کافی‌شاپ‌ها و رستوران‌ها در انتخاب موسیقی مناسب برای پخش در پس زمینه، دارد. این سیستم را می‌توان در انتخاب موسیقی‌های مورد نظر پزشکان  در درمان بیماری‌ها با استفاده از موسیقی (موسیقی درمانی) به خدمت گرفت.  می‌توان  به صورت خاص برای سازمان‌هایی همانند ایرانسل که به ارائه آهنگ برای جلب مشتری می‌پردازند، مورد استفاده قرار گیرد .

با وجود کارهای انجام شده در این تحقیق اما همچنان مسائل بزرگی در امر بازیابی اطلاعات موسیقی و پیشنهاد دهی آن باقی مانده است که این زمینه تحقیق را برای کارهی آینده باز میگذارد.

دستاورد تحقیق:

به طورکلی دستاوردهای این تحقیق را می‌توانبهصورت زیر دسته­بندی نمود:

• تولید یک مجموعه داده موسیقی بر اساس ویژگی‌های محتوایی سیگنال صوتی با فرا داده‌های سبک، خواننده و حالت موسیقی
• معرفی یک ویژگی جدید در رده‌بندی موسیقی با کارایی بسیار بالا
• ارائه یک مدل پیشنهاد دهنده بر اساس میزان شباهت موسیقی‌ها با استفاده از ویژگی معرفی شده
• ارائه یک معیار جدید شباهت پروفایل‌های مشتری
• پیاده‌سازی برنامه کاربردی پیشنهاد موسیقی

محدودیت‌های تحقیق

بزرگ‌ترین محدودیت این تحقیق نبود مجموعه داده مناسب برای پیشنهاد دهی بود که مارا بر ان ساخت تا برای ارزیابی راهکار‌های ارائه شده برنامه کاربردی توسعه داده و بر اساس بازخورد دریافتی از کاربران واقعی استفاده کنیم و کمبودن تعداد اینکاربرانمی‌تواند در نتیجه کار اثرگذار باشد. همچنین جمع‌آوری تعداد مناسب کاربر برای گرفتن بازخورد کار دشواری بود.همچنین برای ارزیابی معیار شباهت به علت نبود مجموعه داده مناسب که پروفایل‌های شبیه به هم را مشخص کرده باشد به کارایی مورد انتظار برای معیار ارائه شده دست نیافتیم. علاوه بر آن به علت جدید بودن تحقیق در کشور مجموعه داده مناسب برای رده‌بندی موسیقی نیز وجود نداشت. در فرایند تولید مجموعه داده به علت آن که نیاز به سواد موسیقیایی برای  ژانربندی و تعیین خواننده یافتن متخصص امر کاری دشوار بود.

کار‌های آینده

بهطور کلی برای کارهای آینده و تکمیلی این تحقیق به موارد زیر اشاره نمود:

• بسط دادن مجموعه داده تولید شده از جهت تعیین حالت موسیقی با استفاده از روش های موثرتر.
• بسط دادن مجموعه داده تولید شده از جهت اضافه نمودن لیریک هرآهنگ به مجموعه داده به منظور استفاده موازی در امر متن کاوی.
• استفاده از ترکیب ویژگی‌ها در تولید مدلی کارا تر.
• بسط روش استفاده از گروه بندی و تعیین زیر گروه برای پیشنهاد دهی موسیقی و کشف شباهت کاربران.
• استفاده از منطق فازی در پیشنهاد دهی موسیقی.

جهت مشاهده نمونه های دیگر از ادبیات ، پیشینه تحقیق و مبانی نظری پایان نامه های مهندسی کامپیوتر و فناوری اطلاعات کلیک کنید.

نمونه ای از مراجع

• Lee and J. Lee “Music for My Mood: A Music Recommendation System Based on Context Reasoning “,Springer-Verlag Berlin Heidelberg ,2006
• Al-Shoshan,” Speech and Music Classification and Separation: A Review”.Proc. IEEE,2006.
• Tzanetakis and P. Cook, “Musical genre classification of audio signals,” IEEE Trans. Speech and Audio Proc., vol. 10, 2002, pp. 293-302.
• Pinquier,J.L.Rouas, and R.Andr-Obrecht.”A Fusion Study in Speech/Music Classification”, proc. of the International Conference on Acoustics, Speech and Signal Processing,proc.ICASSP03,IEEE,April 2003
• Gallardo, R.San Segundo,” UPM-UC3M System for Music and Speech Segmentation” ,proc, IEEE, June 2010
• Lanver and D.Ruinskiy,” A Decision-Tree-Based Algorithm for Speech/Music Classification and Segmentation”, EURASIP Journal on Audio, Speech, and Music Processing, February 2009.
• Kos,” Online Speech/Music Segmentation Based on the VarianceMean of Filter Bank Energy”, EURASIP Journal on Advances in Signal Processing, September 2009.
• F.McKinney, J.Breebaart, ” Features for Audio and Music Classification”, Proc,IEEE ,2003.
• G Williams, Dan Ellis.” Speech/Music Discrimination Based on Posterior Probability Features”, International Computer Science Institute, ISI 1999.
• Bugatti, A.Flammini, P.Migliorati,” Audio Classification in Speech and Music: A Comparison Between a Statistical and a Neural Approach”, Proc, EURASIP Journal on Applied Signal Processing 2002.
• Jarina, N.Oconnor, S.Marlow.”Rhythm Detection for Speech-Music Discrimination in MPEG Compressed Domain”, Proc. of the 14^th International Conference on Digital Signal Processing,IEEE,July 2002.
• …
• …