Xây dựng website nghe nhạc kết hợp nhận diện nhạc qua giai điệu và đề xuất (khóa luận tốt nghiệp)

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM TRẦN DUY KHÁNH NGUYỄN HỮU TRÍ KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG WEBSITE NGHE NHẠC KẾT HỢP NHẬN DIỆN NHẠC QUA GIAI ĐIỆU VÀ ĐỀ XUẤT MUSIC WEBSITE WITH MUSIC RECOGNITION BY MELODY AND RECOMMENDATION KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM TP HỒ CHÍ MINH, 2022 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM TRẦN DUY KHÁNH - 18520075 NGUYỄN HỮU TRÍ - 18521528 KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG WEBSITE NGHE NHẠC KẾT HỢP NHẬN DIỆN NHẠC QUA GIAI ĐIỆU VÀ ĐỀ XUẤT MUSIC WEBSITE WITH MUSIC RECOGNITION BY MELODY AND RECOMMENDATION KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN Ths Trần Anh Dũng TP HỒ CHÍ MINH, 2022 THƠNG TIN HỘI ĐỒNG CHẤM KHĨA LUẬN TỐT NGHIỆP Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số…………………… ngày ………………… Hiệu trưởng Trường Đại học Công nghệ Thông tin LỜI CẢM ƠN Sau trình học tập rèn luyện khoa Công Nghệ Phần Mềm, trường Đại Học Công Nghệ Thông Tin – ĐHQG TP.HCM, chúng em thầy cô nhà trường trang bị cho nhiều kiến thức kỹ hữu ích Đó tiền đề để chúng em thực Khóa Luận Tốt Nghiệp Để hồn thành đề tài này, chúng em xin gửi lời cảm ơn chân thành đến: Ban Giám hiệu trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM tạo điều kiện sở vật chất với hệ thống thư viện đại, đa dạng loại sách, tài liệu thuận lợi cho việc tìm kiếm, nghiên cứu thơng tin Chúng em xin gửi lời cảm ơn chân thành đến thầy Trần Anh Dũng tận tình giúp đỡ, định hướng cách tư cách làm việc khoa học Đó góp ý q báu khơng q trình thực đề tài mà cịn hành trang tiếp bước cho chúng em trình học tập lập nghiệp sau Và cuối cùng, chúng em xin gửi lời cảm ơn đến gia đình, tất thầy cô khoa, bạn bè, tập thể lớp KTPM2018 người sẵn sàng sẻ chia giúp đỡ học tập sống Mong rằng, mãi gắn bó với Trong q trình làm đề này chúng em khơng tránh khỏi sai sót, chúng em kính mong nhận dẫn góp ý quý thầy để đề tài hồn thiện Chúng em xin chân thành cảm ơn Xin chúc điều tốt đẹp đồng hành người Thành phố Hồ Chí Minh, … tháng … năm 2022 Sinh viên TRẦN DUY KHÁNH NGUYỄN HỮU TRÍ MỤC LỤC THƠNG TIN HỘI ĐỒNG CHẤM KHÓA LUẬN TỐT NGHIỆP LỜI CẢM ƠN DANH MỤC HÌNH DANH MỤC BẢNG 11 DANH MỤC TỪ VIẾT TẮT 14 TÓM TẮT KHÓA LUẬN 15 Chương GIỚI THIỆU CHUNG 1.1 Thực trạng nhu cầu nghe nhạc 1.2 Lý chọn đề tài 1.3 Đối tượng nghiên cứu 1.4 Phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu Chương 2.1 KIẾN THỨC NỀN TẢNG Tổng quan mơ hình MVC 2.1.1 Khái niệm 2.1.2 Cấu trúc mơ hình MVC 2.1.3 Mơ hình MVC ứng dụng Web 2.2 Tổng quan NET 2.2.1 Giới thiệu 2.2.2 Tạo chọn NET core để phát triển server 2.3 Angular 2.3.1 Giới thiệu 2.3.2 Ưu điểm Angular 2.4 Hệ quản trị sở liệu MongoDB 2.4.1 Giới thiệu 2.4.2 2.5 Ưu điểm MongoDB 10 Flask 10 2.5.1 Giới thiệu Flask 10 2.5.2 Tại sử dụng Flask 10 2.6 Keras 10 2.6.1 Giới thiệu Keras 10 2.6.2 Tại sử dụng Keras 10 Chương 3.1 PHÂN TÍCH 12 Tìm hiểu công nghệ 12 3.1.1 Tổng quan trình 12 3.1.2 Xử lý thu âm 12 3.1.3 Time-Domain Frequency-Domain 14 3.2 Xây dựng hệ thống 17 3.2.1 Xây dựng kiến trúc hệ thống 17 3.2.2 Thiết kế hệ thống 18 3.3 Phân tích 33 3.3.1 Recognizer Server 33 3.3.2 Music Server 36 Chương 4.1 THIẾT KẾ GIAO DIỆN 42 Giao diện trang chủ 42 4.1.1 Giao diện trang chủ 42 4.1.2 Giao diện chức Songs For You 43 4.1.3 Giao diện chức Genre Songs 44 4.2 Giao diện Player 45 4.2.1 Chức Lyric 45 4.2.2 4.3 Giao diện trang admin 47 4.3.1 4.4 Chức Karaoke 46 Trang admin 47 Giao diện chức quản lý hát 48 4.4.1 Danh sách hát 48 4.4.2 Thêm hát 49 4.4.3 Chức Sửa Thông Tin Bài Hát 50 4.4.4 Chức Chi tiết hát 51 4.5 Giao diện chức Quản Lý Nghệ Sĩ 52 4.5.1 Chức Danh sách Nghệ Sĩ 52 4.5.2 Chức Chi Tiết Nghệ Sĩ 53 4.5.3 Chức Thêm Nghệ Sĩ 54 4.5.4 Chức Sửa Thông Tin Nghệ Sĩ 55 4.6 Chức đề xuất nhạc 56 4.6.1 Chức Đề Xuất Nhạc Theo Bài Hát Hiện Tại 56 4.6.2 Chức Đề Xuất Nhạc Cho Người Dùng 57 4.6.3 Chức Đề Xuất Nhạc Theo Thể Loại Yêu Thích Của Người Dùng 58 4.7 Chức Nhận Diện Bài Hát 59 4.7.1 Giao diện trang nhận diện 59 4.7.2 Giao diện trang ghi âm 60 4.7.3 Giao diện trang Kết Quả Nhận Diện 63 4.8 Chức Playlist 64 4.8.1 Giao diện trang Danh sách Playlist 64 4.8.2 Giao diện trang tạo Playlist 65 4.8.3 Giao diện trang Chi Tiết Playlist 66 4.8.4 4.9 Giao diện trang Đăng Nhập 68 4.9.1 Chương 5.1 Giao diện Chỉnh Sửa Thông Tin Playlist 67 Giao diện trang Đăng Nhập 68 HIỆN THỰC HÓA CHỨC NĂNG NHẬN DIỆN 70 Quá trình thu thập liệu 70 5.1.1 Xác định API cần thiết: 71 5.1.2 Cách tạo Signature cho request: 72 5.1.3 Gọi API để crawl liệu: 73 5.2 Kết thu 74 5.3 Xử lý lưu trữ chuyển đổi âm 75 5.3.1 Tính chất âm 75 5.3.2 Chuyển đổi tìm kiếm hát 76 5.4 Hiện thực hóa cơng nghệ 85 5.4.1 Chuyển đổi lưu trữ âm 85 5.4.2 Tìm kiếm hát 87 5.4.3 Xử lý đa luồng 87 5.4.4 Kiểm thử độ xác 88 Chương HIỆN THỰC HÓA CHỨC NĂNG ĐỀ XUẤT NHẠC 92 6.1 Xây dựng hệ thống đề xuất 92 6.2 Hệ thống phân loại 93 6.2.1 Thu thập liệu 93 6.2.2 Lọc liệu 93 6.2.3 Audio Preprocessing 96 6.2.4 Mơ hình mạng 97 6.3 Huấn luyện mơ hình 100 6.4 Đánh giá mơ hình 100 6.4.1 Các thông số để đánh giá mô hình CNN 100 6.4.2 Mơ hình Resnet50 102 6.5 Hệ thống Đề Xuất 104 6.6 Xây dựng API cho hệ thống đề xuất 105 6.6.1 Đề xuất hát dựa hát nghe người dùng 105 6.6.2 Đề xuất dựa hát người dùng nghe nhiều 106 6.6.3 Đề xuất dựa thể loại người dùng nghe nhiều 107 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 108 7.1 Ưu điểm 108 7.2 Nhược điểm 108 7.3 Kết đạt 108 7.3.1 Về mặt nghiên cứu: 108 7.3.2 Về mặt sản phẩm: 109 7.4 Hướng phát triển 109 TÀI LIỆU THAM KHẢO 110 DANH MỤC HÌNH Hình 2.1.1 Mơ hình MVC Hình 2.1.2 Mơ hình MVC ứng dụng Web Hình 2.2.1 Net core Net framework Hình 2.3.1 Angular Hình 2.4.1 So sánh mức độ phổ biến MongoDB Hình 3.1.1 Mô tả Processing Pipeline 12 Hình 3.1.2 Xử lý thu âm 13 Hình 3.1.3-1 Analog Digital Signal 14 Hình 3.2.1 Kiến trúc hệ thống Website 17 Hình 3.2.2 Sơ đồ Usecase 18 Hình 3.3.1 Sơ đồ lớp hệ thống nhận diện 33 Hình 3.3.2 Sơ đồ lớp Music Server 37 Hình 4.1.1 Giao diện trang chủ Trang Web 42 Hình 4.1.2 Giao diện chức Songs For You 43 Hình 4.1.3 Giao diện chức Genre Songs 44 Hình 4.2.1 Giao diện chức Lyric 45 Hình 4.2.2 Giao diện chức Karaoke 46 Hình 4.3.1 Giao diện trang Admin 47 Hình 4.4.1 Giao diện chức danh sách hát 48 Hình 4.4.2 Giao diện chức Thêm Bài Hát 49 Hình 4.4.3 Giao diện chức Sửa Thông Tin Bài Hát 50 Hình 4.4.4 Giao diện chức Chi Tiết Bài Hát 51 Hình 4.5.1 Giao diện chức Danh sách Nghệ Sĩ 52 Hình 4.5.2 Giao diện chức Chi Tiết Nghệ Sĩ 53 Hình 4.5.3 Giao diện chức Thêm Nghệ Sĩ 54 Hình 4.5.4 Giao diện chức Sửa Thông Tin Nghệ Sĩ 55 Hình 4.6.1 Giao diện chức Đề Xuất Theo Bài Hát Hiện Tại 56 Hình 4.6.2 Giao diện chức Đề Xuất Nhạc Cho Người Dùng 57 Hình 4.6.3 Giao diện chức Đề Xuất Nhạc Theo Thể Loại Yêu Thích 58 Hình 4.7.1 Giao diện chức nhận diện 59 Hình 6.2.4 Sử dụng thư viện Librosa để trích xuất đặc trưng Audio Kết trình ta rút trích đặc trưng từ file wav để làm input cho Model phục vụ cho trình training 6.2.4 Mơ hình mạng Để thực phân loại thể loại nhạc, nhóm sử dụng mơ hình mạng Resnet50 số mơ hình khác để thực đề tài 6.2.4.1 Thơng tin mơ hình mạng: 6.2.4.1.a Resnet50 ⎼ Mơ hình mạng ResNet50 bao gồm stage stage có Convolution Block Identity Block ⎼ Mỗi Convolution Block có Convolution Layer Identity Block có Convolution Layer ⎼ Và tổng thể ResNet-50 có 23 triệu params train Mạng ResNet sinh để giải vấn đề tượng Vanishing Gradient dẫn tới trình học tập khơng tốt 97 Hình 6.2.5 Cấu trúc chung Resnet50 Hình 6.2.6 Cấu trúc layer Resnet50 98 • Identity Block Identity Block lớp chuẩn sử dụng ResNets tương ứng với trường hợp Input có số chiều với Output Hình 6.2.7 Cấu trúc Identity Block ● Convolution Block Convolution Block sử dụng trường hợp ngược lại Input Output không đồng Sự khác biệt nằm lớp CONV2D shortcut path Hình 6.2.8 Cấu trúc Convolution Block 99 6.3 Huấn luyện mô hình Đầu tiên, chia liệu sau qua trình tiền xử lý thành tập training, validation test 0.55 : 0.2 : 0.25 Batch size 32 epochs 30 Batch size không lớn gây tràn Ram trình training Ban đầu nhóm sử dụng GPU NVIDIA Geforce GTX 1050 với dung lượng VRam 2.3GB CPU AMD Ryzen 3750H, trình training gặp nhiều khó khăn Sau nhóm định training Google Colab có hỗ trợ GPU Tesla 15 GB Ram 3.3 GB Ram 6.4 Đánh giá mô hình 6.4.1 Các thông số để đánh giá mô hình CNN Hình 6.4.1 Các định nghĩa đánh giá Các số TP, FP, TN FN có ý nghĩa là: ● TP (True Positive): Tổng số trường hợp dự báo khớp với Positive ● TN (True Negative): Tổng số trường hợp dự báo khớp với Negative 100 ● FP (False Positive): Tổng số trường hợp dự báo quan sát thuộc nhãn dán Negative thành Positive ● FN (False Negative): Tổng số trường hợp dự báo quan sát thuộc nhãn Positive thành Negative 6.4.1.1 Độ xác (Accuracy) Khi xây dựng mơ hình phân loại muốn biết cách khái quát tỷ lệ trường hợp dự báo tổng số trường hợp Tỷ lệ gọi độ xác Độ xác giúp ta đánh giá hiệu dự báo mô hình liệu Accuracy = 6.4.1.2 𝑇𝑃+𝑇𝑁 𝑇𝑜𝑡𝑎𝑙 𝑆𝑎𝑚𝑝𝑙𝑒 Precision Precision trả lời cho câu hỏi trường hợp dự báo Positive có trường hợp ? Và Precision cao mơ hình tốt việc phân loại hồ sơ BAD 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 6.4.1.3 𝑇𝑃 𝑇𝑜𝑡𝑎𝑙 𝐴𝑐𝑡𝑢𝑎𝑙 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 = 𝑇𝑃 𝑇𝑃+𝐹𝑃 Recall Recall đo lường tỉ lệ dự báo xác trường hợp Positive tồn mẫu thuộc nhóm Positive 𝑅𝑒𝑐𝑎𝑙𝑙 = 6.4.1.4 𝑇𝑃 𝑇𝑃 = 𝑇𝑜𝑡𝑎𝑙 𝐴𝑐𝑡𝑢𝑎𝑙 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 𝑇𝑃 + 𝐹𝑁 F1 Score F1 Score trung bình điều hịa Precision Recall Do đại diện việc đánh giá độ xác đồng thời Precision Recall 101 𝐹1 = 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛−1 + 𝑟𝑒𝑐𝑎𝑙𝑙 −1 6.4.2 Mơ hình Resnet50 6.4.2.1 - Với Acc 0.79 mơ hình đánh xác 6.4.2.2 - Độ xác (Accuracy) Các thơng số khác Với 82,7 % trường hợp đốn Positive nhãn Positive ( Precision Score) - 73% trường hợp đoán Positive tổng số nhãn Positive 102 6.4.2.3 Confusion Matrix Confusion Matrix kĩ thuật để khái quát performance thuật tốn phân loại Việc tính tốn Confusion Matrix giúp cải thiện mơ hình phân loại nhờ vào việc tìm kiếm lỗi trình train liệu Hình 6.4.2 Confusion Matrix mơ hình Resnet50 103 ⮚ Nhận xét: ● Dựa vào Matrix ta thấy Nhạc Phim Việt có tỉ lệ đoán cao, theo sau nhạc Pop, V-Pop, Electron-Dance, R-B Soul ● Ở thể loại Kpop hay Nhạc Trữ Tình dễ bị đốn sai ● Tập liệu test không trải thể loại 6.5 Hệ thống Đề Xuất Hình 6.5.1 Minh họa Cosine Distance/Similarity Hệ thống đề xuất xây dựng dựa việc tính tốn Cosine Similarity dựa kết Predict Mơ hình phân loại Bởi kết dạng Vector nên tính tốn Distance chúng Đầu tiên, chọn tập nhạc cho thể loại để đề xuất Tiếp theo kết dự đoán nhạc tính tốn dựa mạng Neural Network Để tính toán tương đương nhạc với kết Prediction x = [x1, x2,… xn] y = [y1, y2, …yn], sử dụng : 104 Giá trị nhận hàm nằm -1 Chúng ta xếp giá trị từ lớn tới nhỏ chọn số nhạc từ mảng xếp Với hệ thống , nhóm chọn từ mảng Distance 6.6 Xây dựng API cho hệ thống đề xuất Xây dựng hệ thống đề xuất dựa Flask STT Method URL Chú thích GET {{BACKEND_URL}}/recommend?name_file= Đề xuất dựa hát GET {{BACKEND_URL}}/models Lấy danh sách Model hệ thống GET {{BACKEND_URL}}/currentModel Lấy thông tin Model GET {{BACKEND_URL}}/userRecommend?userId Lấy đề xuất dựa = hát yêu thích người dùng GET {{BACKEND_URL}}/genre?userId= Lấy đề xuất dựa thể loại yêu thích người dùng 6.6.1 Đề xuất hát dựa hát nghe người dùng Hình 6.6.1 Minh hoạ trình đề xuất hát tương ứng với hát 105 Khi người dùng nghe nhạc Client gửi thơng tin hát cho hệ thống đề xuất Hệ thống thực tính tốn phân loại cho kết mảng vector Chúng ta thực tính tốn Distance Array với hát có hệ thống để đưa đề xuất Top hát gần giống sát với hát gửi cho phía Client 6.6.2 Đề xuất dựa hát người dùng nghe nhiều Hình 6.6.2 Minh họa trình đề xuất hát tương ứng với hát Hệ thống vào lịch sử người dùng nghe nhạc để lấy Top hát người dùng nghe nhiều ( Cơ sở liệu lưu số lần nghe tổng thời gian mà người dùng nghe hát) đưa đề xuất tương tự với trình đề xuất hát mục 106 6.6.3 Đề xuất dựa thể loại người dùng nghe nhiều Hình 6.6.3 Minh họa trình đề xuất thể loại tương ứng với lịch sử nghe nhạc người dùng Hệ thống vào lịch sử người dùng nghe nhạc để lấy Top hát người dùng nghe nhiều ( Cơ sở liệu lưu số lần nghe tổng thời gian mà người dùng nghe hát) tiến hành Predict đưa thể loại mà người dùng nghe nhiều sau chọn hát nhiều lượt nghe nhiều lượt thích để đề xuất cho người dùng 107 Chương 7.1 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Ưu điểm ⎼ Giao diện Website trực quan, dễ sử dụng đầy đủ thông tin cần thiết ⎼ Hỗ trợ đầy đủ chức cho quản trị viên ⎼ Các tính nhận diện đề xuất có độ xác cao ⎼ Tối ưu hóa trải nghiệm người dùng với thiết kế giao diện linh hoạt cho điện thoại, máy tính bảng, máy tính ⎼ Trang web gọn nhẹ khơng chiếm q nhiều tài ngun phía Client 7.2 Nhược điểm ⎼ Thời gian nhận diện chậm đưa lên Cloud độ trễ truyền file ⎼ Hệ thống nhận diện phụ thuộc nhiều vào chất lượng thu âm người dùng phần cứng Server, dẫn tới tốn nhiều chi phí mở rộng theo chiều ngang dọc ⎼ Đề tài hỗ trợ web browser, chưa có Mobile App ⎼ Hệ thống nhận diện phụ thuộc nhiều vào chất lượng thu âm người dùng phần cứng Server, dẫn tới tốn nhiều chi phí mở rộng theo chiều ngang dọc ⎼ Đề tài hỗ trợ web browser, chưa có Mobile App 7.3 Kết đạt 7.3.1 Về mặt nghiên cứu: ⎼ Nhóm có hội tìm hiểu nghiên cứu thuật tốn mà cơng ty Shazam, sử dụng ⎼ Hiểu áp dụng vào việc xử lý file âm thanh, vấn đề FFT (Fourier Transform) 108 ⎼ Tìm hiểu áp dụng công nghệ Web phương pháp xây dựng Project phù hợp ⎼ Hiểu áp dụng Deep Learning vào hệ thống đề xuất ⎼ Xây dựng hệ thống đầy đủ liên kết từ nhiều thành phần 7.3.2 Về mặt sản phẩm: ⎼ Giao diện trực quan dễ nhìn ⎼ Chức dễ sử dụng ⎼ Kết nhận diện đề xuất có độ xác cao 7.4 Hướng phát triển ⎼ Tìm hiểu phát triển yếu tố phát quyền nhạc ⎼ Hỗ trợ đa tảng ⎼ Nâng cấp hệ sở quản trị liệu phân tán 109 TÀI LIỆU THAM KHẢO Tài Liệu Tiếng Anh [1] V V – T S o AI, "Deep Learning (for Audio) with Python," 2020 [Online] Available: https://youtu.be/fMqL5vckiU0 [Accessed 12/3/2022] [2] A A S G D S Adiyansjaha, "Music Recommender System based on Genre using Convolutional Neural Networks" [Accessed 18/3/2022] [3] NAudio [Online] Available: https://github.com/naudio/NAudio [4] MogoDB [Online] Available: https://mongodb.com/ [5] Keras [Online] Available: https://keras.io/api/models/ [6] Angular [Online] Available: https://angular.io/ [7] Christophe, “How does Shazam works,” 2015 [Online] Available: http://codinggeek.com/how-shazam-works/ [Accessed 12/9/2021] [8] Li-Chun Wang, “An Industrial-Strength Audio Search Algorithm,” 2003 [Online] Available: https://www.ee.columbia.edu/~dpwe/papers/Wang03-shazam.pdf [Accessed 14/9/2021] [9] Trey Cooper, “How Shazam Works,” 2018 [Online] Available: https://medium.com/@treycoopermusic/how-shazam-works-d97135fb4582 [Accessed 20/9/2021] 110 Tài liệu Tiếng Việt [1] Hồng Linh, “Zing MP3 - Tơi khai thác API ?,” 2020 [Trực tuyến] Địa chỉ: https://viblo.asia/p/zing-mp3-toi-da-khai-thac-api-nhu-the-naoL4x5xvdaZBM [Truy cập 20/9/2021] [2] Tiep Vu Huu, "Machine Learning Cơ Bản," 2017 [Trực tuyến] Địa chỉ: https://machinelearningcoban.com/2017/05/17/contentbasedrecommendersys/ [Truy cập 22/3/2022] 111 ... hành nhạc, chúng em định lựa chọn ? ?Xây dựng Website Nghe Nhạc Kết Hợp Nhận Diện Nhạc Qua Giai Điệu Và Đề Xuất? ?? làm đề tài nghiên cứu cho khóa luận tốt nghiệp 1.3 Đối tượng nghiên cứu Khoá luận. .. KHÁNH - 18520075 NGUYỄN HỮU TRÍ - 18521528 KHÓA LUẬN TỐT NGHIỆP XÂY DỰNG WEBSITE NGHE NHẠC KẾT HỢP NHẬN DIỆN NHẠC QUA GIAI ĐIỆU VÀ ĐỀ XUẤT MUSIC WEBSITE WITH MUSIC RECOGNITION BY MELODY AND RECOMMENDATION... thống Đề Xuất 104 6.6 Xây dựng API cho hệ thống đề xuất 105 6.6.1 Đề xuất hát dựa hát nghe người dùng 105 6.6.2 Đề xuất dựa hát người dùng nghe nhiều 106 6.6.3 Đề xuất