Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)

Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)Nghiên cứu học máy trong xây dựng gợi hệ ý âm nhạc (LV thạc sĩ)

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG - HOÀNG ANH MINH NGHIÊN CỨU PHƯƠNG PHÁP HỌC MÁY TRONG XÂY DỰNG HỆ GỢI Ý ÂM NHẠC LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI - 2016 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG - HOÀNG ANH MINH NGHIÊN CỨU PHƯƠNG PHÁP HỌC MÁY TRONG XÂY DỰNG HỆ GỢI Ý ÂM NHẠC CHUYÊN NGÀNH : HỆ THỐNG THÔNG TIN MÃ SỐ: 60.48.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN DUY PHƯƠNG HÀ NỘI - 2016 i LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa công bố công trình TÁC GIẢ Hoàng Anh Minh ii LỜI CÁM ƠN Tôi xin bày tỏ lời cảm ơn sâu sắc đến người hướng dẫn Tiến sỹ Nguyễn Duy Phương tận tình giúp đỡ hoàn thành luận văn Cảm ơn thành viên phòng công nghệ thông tin công ty iMicrosoft Việt Nam cung cấp máy chủ để triển khai ứng dụng phục vụ cho luân văn Cảm ơn toàn thể nhân viên công ty iMicrosoft Việt Nam hỗ trợ thử nghiệm hệ thống để hoàn thiện ứng dụng cho luận văn Trân trọng cám ơn Tác giả iii MỤC LỤC MỞ ĐẦU Lý chọn đề tài .1 Tổng quan vấn đề nghiên cứu Mục đích nghiên cứu: Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu .2 CHƯƠNG 1.1 TỔNG QUAN VỀ HỌC MÁY TRONG HỆ GỢI Ý .3 Hệ gợi ý (Recommender Systems) 1.1.1 Học máy lọc cộng tác 1.1.2 Học máy lọc theo nội dung 1.2 Hệ gợi ý âm nhạc 1.2.1 Các nghiên cứu trước 1.2.2 Tập liệu Last.fm .8 1.3 Kết luận chương 11 CHƯƠNG PHƯƠNG PHÁP GỢI Ý KẾT HỢP GIỮA LỌC CỘNG TÁC VÀ LỌC NỘI DUNG 12 2.1 Phương pháp luận 12 2.1.1 Các thẻ đánh dấu nhạc người dùng cung cấp 12 2.1.2 Trích chọn đặc trưng âm từ nhạc 13 2.2 Các giá trị để tìm tương quan nhạc 15 2.2.1 Giá trị so sánh tính thẻ đánh dấu âm nhạc 15 2.2.2 Giá trị so sánh tính tín hiệu âm .20 2.2.3 Kết hợp thẻ đánh dấu đặc trưng âm 28 2.3 Kết luận chương 32 CHƯƠNG XÂY DỰNG HỆ THỐNG GỢI Ý CHO WEBSITE NGHE NHẠC TRỰC TUYẾN 34 3.1 Giới thiệu toán 34 3.1.1 Thiết kế hệ thống 34 3.1.2 Ứng dụng Web 36 3.2 Thử nghiệm hệ thống 39 3.3 Kết thực nghiệm giải thích kết 39 3.4 Kết luận chương 41 iv KẾT LUẬN 42 Kết đạt hạn chế 42 Hướng phát triển 43 TÀI LIỆU THAM KHẢO 44 v DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 Thẻ đánh dấu cho Blue Train Ornithology 17 Bảng 2.2 Chuẩn hóa số đếm thẻ trọng số 17 Bảng 2.3 Thẻ đánh dấu cho Blue Train Freak Out .18 Bảng 2.4 Chuẩn hóa số đếm thẻ trọng số Blue Train Freak Out 19 Bảng 2.5 Trung bình phương sai 20 MFCC (a) Beautiful Disaster (b) Freak Out 23 Bảng 2.6 (a) Ma trận độ lệch (b) Ma trận hiệp phương sai nghịch đảo 24 Bảng 2.7 (a) Chuyển vị ma trận (b) Tích ma trận .24 Bảng 2.8 Trung bình phương sai 20 MFCC (a) Beautiful Disaster (b) Ornithology 26 Bảng 2.9 (a) Ma trận độ lệch (b) Ma trận hiệp phương sai nghịch đảo 27 Bảng 2.10.(a) Chuyển vị ma trận (b) Tích ma trận 27 Bảng 2.11 Chuẩn hóa khoảng cách Ornithology Blue Train .29 Bảng 2.12 Các giá trị khoảng cách nhỏ Ornithology Blue Train 30 Bảng 2.13 Chuẩn hóa khoảng cách Ornithology Beautiful Disaster 31 Bảng 2.14 Các giá trị khoảng cách nhỏ Ornithology Beautiful Disaster .32 Bảng 3.1 Các công việc cần thực .35 Bảng 3.2 ví dụ rút từ thực nghiệm 40 vi DANH MỤC CÁC HÌNH VẼ Hình 1.1: Stream nhạc từ Youtube Last.fm .10 Hình 1.2: Gợi ý nghệ sỹ Last.fm .11 Hình 2.1: Tính toán MFCC Sonic Visualisation .14 Hình 2.2: Thiết lập cấu hình mặc định .14 Hình 2.3: Dữ liệu MFCC 15 Hình 2.4: Thể 20 MFCC (a) Beautiful Disaster (b) Freak Out .22 Hình 2.5: Thể 20 MFCC (a) Beautiful Disaster (b) Ornithology .25 Hình 3.1: Luồng liệu hệ thống 34 Hình 3.2: Các bảng quan hệ sở liệu 36 Hình 3.3: Trang chủ ứng dụng 37 Hình 3.4: Trang gợi ý ứng dụng .38 Hình 3.5: Kết đánh giá hệ thống 39 MỞ ĐẦU Lý chọn đề tài Trong đời sống nay, nhu cầu giải trí người Việt Nam ngày cao Sự bùng nổ Internet kéo theo phát triển ứng dụng giải trí trực tuyến Chỉ tính riêng Việt Nam, website với ứng dụng game, xem phim, nghe nhạc trực tuyến xuất ngày nhiều vài năm trở lại Trong trình sử dụng ứng dụng giải trí trực tuyến nghe nhạc, có lúc người dùng muốn nghe nhạc họ chưa nghe lại tìm nhạc phù hợp Nắm bắt nhu cầu website nghe nhạc trực tuyến đưa công cụ nhằm gợi ý cho người nghe nhạc mà họ cho người dùng thích dựa phương pháp học máy Các diễn đàn trao đổi phương pháp học máy để gợi ý nhạc tổ chức hàng năm đề nâng cao chất lượng cho hệ thống gợi ý Với mục đích đưa cho người sử dụng gợi ý gần nhất, tiện lợi cho người dùng, qua nâng cao chất lượng phục vụ website nghe nhạc trực tuyến Đề tài “Nghiên cứu phương pháp học máy ứng dụng xây dựng hệ gợi ý âm nhạc”, nhằm cung cấp nhìn phương pháp học máy gợi ý âm nhạc, phân tích, so sánh phương pháp lựa chọn phương pháp để xây dựng hệ thống gợi ý cho website nghe nhạc trực tuyến Tổng quan vấn đề nghiên cứu Hiện nay, thị trường Việt Nam nói riêng có website phổ biến với người dùng internet mp3.zing.vn nhaccuatui.com Hai website có số lượng người dùng đông đảo với số lượng đồ sộ nhạc có quyền Người sử dụng dễ dàng tìm hát cần website Tuy website có ứng dụng gợi ý nhạc cho người dùng user sử dụng tính nhạc gợi ý chưa thật hợp lý Bài toán đặt phương pháp sử dụng website chưa hiệu sử dụng phương pháp đạt hiệu tốt Chúng tìm cách phần giải điều phạm vi luận văn Mục đích nghiên cứu: Nghiên cứu phương pháp xây dựng hệ gợi ý nhạc phù hợp với sở thích người sử dụng Xây dựng hệ thống gơi ý nhạc phù hợp với nhu cầu người dùng nâng cao chất lượng website nghe nhạc trực tuyến Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu bao gồm kỹ thuật, phương pháp học máy sử dụng để gợi ý liệu Các phương pháp học máy tìm hiểu phạm vi liệu nhạc, xử lý nhạc Phương pháp nghiên cứu Nghiên cứu lý thuyết: tìm hiểu phương pháp học máy phân tích siêu liệu để xử lý nhạc, yêu cầu cầu người dùng Nghiên cứu phương pháp học máy dự đoán yêu cầu người dùng Nghiên cứu thực nghiệm: xây dựng liệu thực nghiệm Phân tích, thử nghiệm phương pháp gợi ý cho người dùng Cấu trúc luận văn Nội dung luận văn trình bày ba phần sau: Phần mở đầu Phần nội dung: bao gồm ba chương Chương 1: Tổng quan Học máy Hệ gợi ý Chương 2: Phương pháp gợi ý kết hợp lọc cộng tác lọc nội dung Chương 3: Xây dựng hệ thống gợi ý cho website nghe nhạc trực tuyến Phần kết luận 31 Từ ta tính tổ hợp khoảng cách Ornithology Blue Train công thức (2.7): 𝐶 (𝑥, 𝑦) = 0,073 − 0,073 0,01 − 0,007 ( ) ≃ 1,326 + 0,127 − 0,073 0,008 − 0,007 Một ví dụ khác cho số tương quan dựa kết hợp, so sánh Ornithology Beautiful Disaster Từ phần 2.2.1 ta có khoảng cách Euclide dựa lọc cộng tác thẻ đánh dấu Ornithology Beaufiful Disaster khoảng 0,355 Từ ví dụ phần 2.2.2, ta biết khoảng cách Mahalanobis dựa lọc nội dung MFCC hai nhạc 116,139 Bảng 2.13 Chuẩn hóa khoảng cách Ornithology Beautiful Disaster Bản nhạc gốc Bản nhạc (x) so sánh (y) Khoảng cách Euclide Ornithology Khoảng cách Euclide lớn Chuẩn hóa khoảng cách 0,354525013 1,414213569 0,250687039 Bản nhạc gốc Bản nhạc (x) so sánh (y) Khoảng cách Mahalanobis Chuẩn hóa khoảng cách 𝐷(𝑥,𝑦) Khoảng cách Mahalanobis lớn Ornithology 116,1388483 8075,253131 0,014382069 Beautiful Disaster Beautiful Disaster 𝑑(𝑥,𝑦) 𝑑𝑥,𝑦 𝐷𝑥,𝑦 Cũng ví dụ trước khoảng cách Euclide lớn khoảng 1,414 khoảng cách Mahalanobis lớn khoảng 8075,253 Theo công thức (II.5), giá trị chuẩn hóa khoảng cách Euclide Ornithology Beautiful Disaster khoảng 0,251 Tương tự vậy, theo công thức (2.6), giá trị chuẩn hóa khoảng cách Mahalanobis hai nhạc xấp xỉ 0,014 32 Bảng 2.14 Các giá trị khoảng cách nhỏ Ornithology Beautiful Disaster Bản nhạc gốc Bản nhạc so (x) sánh (y) Chuẩn hóa khoảng cách Euclide Giá trị chuẩn hóa Khoảng cách Euclide nhỏ 𝑑𝑥,𝑦 𝑑𝑥,1 Ornithology Beautiful Disaster 0,250687039 0,072600819 0,127092709 Bản nhạc gốc Bản nhạc so (x) sánh (y) Chuẩn hóa khoảng cách Mahalanobis Giá trị chuẩn hóa Khoảng cách Mahalanobis nhỏ Giá trị chuẩn hóa khoảng cách Mahalanobis nhỏ thứ 20 𝐷𝑥,𝑦 Ornithology Beautiful Disaster 0,014382069 𝐷𝑥,1 0,006545963 Giá trị chuẩn hóa khoảng cách Euclide nhỏ thứ 20 𝑑𝑥,20 𝐷𝑥,20 0,008033416 Vì nhạc gốc với ví dụ trên, giá trị chuẩn hóa khoảng cách Euclide nhỏ xấp xỉ 0,073, giá trị chuẩn hóa khoảng cách Euclide nhỏ thứ 20 0,127 Các giá trị tương ứng với khoảng cách Mahalanobis 0,007 0,008 Từ đó, ta tính khoảng cách kết hợp Ornithology Beautiful Disaster 𝐶 (𝑥, 𝑦) = 0,251 − 0,073 0,014 − 0,007 ( ) ≃ 4,268 + 0,127 − 0,073 0,008 − 0,007 Vậy ta có khoảng cách kết hợp Ornithology Blue Train 1,326, giá trị Ornithology Beautiful Disaster khoảng 4,268 Vậy kết luận: theo phương pháp kết hợp lọc cộng tác lọc dựa nội dung Blue Train giống Ornithology Beautiful Disaster giá trị khoảng cách nhỏ 2.3 Kết luận chương Chương trình bày cụ thể phương pháp tiếp cận sử dụng hệ gợi ý luận văn Đó kết hợp hai phương pháp mang lại hiệu cho hệ gợi ý phương pháp lọc cộng tác phương pháp lọc nội dung Ngoài chương đưa ví dụ cụ thể cho phương pháp, bước tính toán để 33 hình thành liệu so sánh Các bước tính toán số liệu so sánh sử dụng để đưa vào chương trình ứng dụng xây dựng luận văn Chương trình bày cụ thể bước xây dựng, công nghệ sử dụng ứng dụng kết thử nghiệm hệ thống 34 CHƯƠNG XÂY DỰNG HỆ THỐNG GỢI Ý CHO WEBSITE NGHE NHẠC TRỰC TUYẾN 3.1 Giới thiệu toán Luồng liệu hệ thống gợi ý mô tả hình 3.1 Cơ sở liệu chứa thông tin khoảng 1000 nhạc: tệp âm mp3 siêu liệu chúng (tên nhạc, nghệ sỹ tên tệp) Tên nhạc nghệ sỹ dùng để trích chọn thẻ đánh dấu tạo cộng đồng (những thẻ đánh dấu phổ biến nhất) từ API Last.fm có tên track.getTopTags Tệp âm dùng để trích chọn liệu MFCC (các đặc trưng âm thanh) từ Sonic Annotator 3.1.1 Thiết kế hệ thống Công việc xây dựng hệ thống chia nhỏ thành bước bảng 3.1 Trước hết việc thu thập số lượng nhạc đủ lớn Sử dụng hệ sở liệu SQL Server để thiết kế sở liệu có quan hệ Hình 3.1: Luồng liệu hệ thống Hình 3.1 mô tả cấu trúc quan hệ thực thể sở liệu hệ thống Bảng tbl_Song nơi lưu trữ siêu liệu từ nhạc mp3 lưu 35 hệ thống Dữ liệu liên quan đến thẻ nhớ nhạc lấy từ Last.fm Các liệu MFCC trích xuất từ tệp âm nhạc lưu vào bảng tbl_mfccData Các giá trị khoảng cách dựa phương pháp lọc cộng tác, lọc dựa nội dung phương pháp kết hợp lưu vào bảng tbl_similar Đánh giá người dùng thu thập từ người tham gia thử nghiệm sản phẩm lưu ẩn danh vào bảng tbl_session Bảng 3.1 Các công việc cần thực Công việc cần thực Chi tiết công việc Thu thập nhạc mp3 Tìm nhạc mạng internet Thiết kế sở liệu Sử dụng SQL Server để thiết kế bảng tạo quan hệ Thu thập siêu liệu từ Loại bỏ liệu trùng, đưa siêu liệu tệp mp3 vào sở nhạc liệu Thu thập thẻ đánh dấu Sử dụng ASP.NET phát triển nghiệp vu lấy chuỗi giá trị từ API cho nhạc Last.fm, thu 10 thẻ gợi ý phổ biến hát đưa chúng vào sở liệu Thu thập liệu đặc Tùy chỉnh tệp batch sử dụng Sonic Annotator để trích xuất liệu MFCC trưng âm nhạc xuất file CSV Tính toán giá trị so sánh Sử dụng ASP.NET phát triển nghiệp vụ tính toán khoảng cách giải lọc cộng tác tất thuật Euclide có trọng số dựa thẻ gợi ý nhạc sở liệu Tính toán giá trị so sánh Sử dụng ASP.NET phát triển nghiệp vụ tính toán khoảng cách giải trích chọn đặc trưng âm thuật Mahalanobis dựa liệu MFCC nhạc tất nhạc sở liệu Tính toán giá trị so sánh kết Sử dụng ASP.NET phát triển nghiệp vụ tính toán khoảng cách kết hợp dựa hợp tất nhạc chuẩn hóa hai giá trị sở liệu Thiết kế website để Phát triển giao diện người dùng HTML5, CSS, JavaScript jQuery người tham gia thử nghiệm sản phẩm 36 Hình 3.2: Các bảng quan hệ sở liệu Tiếp theo, phát triển nghiệp vụ để tải sở liệu thẻ đánh dấu từ Last.fm, liệu MFCC Phát triển nghiệp vụ tính toán giá trị so sánh đưa vào bảng tbl_similar Cuối phát triển ứng dụng Web cho phép người dùng truy cập sử dụng hệ gợi ý 3.1.2 Ứng dụng Web Hình 3.3 mô tả trang chủ ứng dụng web Người dùng sử dụng công cụ tìm kiếm để tìm nhạc tên hát tên nghệ sỹ, xếp theo thứ tự tên nhạc tên ca sỹ Khi người dùng chọn nút “Gợi ý nhạc” họ xem danh sách nhạc hệ thống gợi ý Căn theo nhạc mà người dùng nghe, hệ thống đưa danh sách hình 3.4 Trong nhạc đưa gợi ý, nhạc dựa lọc cộng tác, nhạc dựa lọc dựa nội dung nhạc dựa phương pháp kết hợp, hệ thống chủ đích đưa nhạc với giá trị so sánh thấp dựa vào phương pháp kết hợp (gợi ý tồi) 37 Các nhạc gợi ý tính toán đưa nghiệp vụ độc lập với nhau, xảy trường hợp trùng nhạc gợi ý, tất trường hợp ghi nhận Người dùng nhạc gợi ý phương pháp Người dùng nghe nhạc gợi ý nghe lại nhạc gốc Sau nghe xong nhạc, người dùng đánh giá tương đồng nhạc gợi ý nhạc gốc theo thang điểm từ đến 5, điểm giống điểm khác so với nhạc gốc Sau người dùng chấm điểm, liệu đánh giá đưa vào sở liệu Hình 3.3: Trang chủ ứng dụng 38 Hình 3.4: Trang gợi ý ứng dụng Người dùng truy vấn nhạc từ sở liệu Với thẻ đánh dấu MFCC, giá trị so sánh tính toán cách so sánh liệu nhạc mà người dùng nghe liệu nhạc khác sở liệu Một giá trị kết hợp tính toán dựa giá trị so sánh thẻ đánh dấu giá trị so sánh MFCC Một danh sách nhạc gợi ý hệ thống đưa dựa nhạc mà người chơi nghe Để đánh giá hệ thống gợi ý luận văn này, chương trình tổ chức phương pháp gợi ý: phương pháp sử dụng gợi ý dựa lọc cộng tác từ thẻ đánh dấu Last.fm, phương pháp sử dụng trích chọn đặc trưng âm (lọc dựa nội dung), phương pháp sử dụng phương pháp kết hợp hai phương pháp Cả ba phương pháp đánh giá việc lấy ý kiến người dùng mức độ giống nhạc nghe nhạc gợi ý hệ thống 39 3.2 Thử nghiệm hệ thống Để chứng minh hệ thống đem lại hài lòng cho người dùng, thí nghiệm thực Tất thành viên công ty iMicrosoft tham gia thử nghiệm Mỗi người dùng truy cập vào ứng dụng Web truy vấn nhạc có sở liệu, hệ thống cung cấp 12 nhạc gợi ý bao gồm gợi ý dựa lọc cộng tác, gợi ý dựa lọc theo nội dung, gợi ý dựa vào phương pháp kết hợp gợi ý tồi dựa vào phương pháp kết hợp 3.3 Kết thực nghiệm giải thích kết Điểm trung bình cho kết gợi ý (thang điểm từ 1-5) Gợi ý dựa vào thẻ đánh dấu Gợi ý dựa vào mfcc Gợi ý kết hợp Gợi ý tồi dựa phương pháp kết hợp Hình 3.5: Kết đánh giá hệ thống Phương pháp lọc cộng tác dựa thẻ đánh dấu nhận điểm trung bình 3,6 điểm số cao bốn kết gợi ý Tiếp theo phương pháp kết hợp dựa lọc cộng tác lọc nội dung có điểm trung bình 3,3 Phương pháp gợi ý dựa nội dung đặc trưng âm vị trí thứ với điểm trung bình 2,8 Cuối dự đoán, gợi ý tồi nhận điểm trung bình 1,5 40 Bảng 3.2 chứa nội dung chi tiết ví dụ rút từ thực nghiệm để làm bật khả hệ gợi ý âm nhạc dựa phương pháp kết hợp Cả ví dụ đưa phương pháp kết hợp Bảng 3.2 ví dụ rút từ thực nghiệm Bản nhạc chọn Tênbản nhạc Until the End of Time Nghệ sỹ Bản nhạc gợi ý Tên nhạc Justin Twenty Timberlake Foreplay Just Got Dokken Lucky Mama Weer All Crazee Now Baby One More Time Britney Spears Autumn Leaves Cannonball Adderley Song for Feat Miles My Father Davis Rumour Has It Adele Crash Điểm đánh giá Những đặc điểm giống Những thẻ đánh dấu giống Nghệ sỹ Janet Jackson Quiet Riot Gwen Stefani Horace Silver Rolling in the Adele Deep Thể loại giống (slow R&B), khóa nhạc (Si thứ),chùmhợp âm giống nhau, âm sắc giống (nhạc cụ/giọng hát) Thể loại giống (hard rock), Cùng nhịp độ (138), khóa (Đô thăng trưởngvà Rê trưởng), âm sắc (tiếng guitar điện) Thể loại giống (pop), nhịp trống giốn nhau, âm sắc giống (tiếng bass, giọng hát) pop, r&b, sexy, soul hard rock, heavy metal, hair metal, 80s pop, dance, female vocalists, sexy Thể loại giống (cool jazz), âm sắc giống (nhạc cụ) jazz Thể loại giống (soul / pop), same artist/band (Adele), nhịp trống giống nhau, âm sắc giống nhau(nhạc cụ/giọng hát) soul, pop, Adele, female vocalists, British, singersongwriter Trong ví dụ đầu tiên, nhạc “Until the End of Time” Justin Timberlake nhạc chọn nghe, nhạc “Twenty Foreplay” Janet Jackson gợi ý Khi phân tích hai nhạc, nhận hai nhạc có thể loại, khóa nhạc, có chuỗi hợp âm giống nhau, âm sắc 41 giống Bản nhạc Janet Jackson gợi ý hệ gợi ý kết hợp hai lý do: hai nhạc có thẻ đánh dấu: pop, r&b, sexy soul, có đặc trưng âm Xét cách tổng thể, dùng phương pháp kết hợp, người dùng có nhiều khả khám phá nhạc (mà chưa biết đến) phương pháp không dựa hoàn toàn vào lọc cộng tác 3.4 Kết luận chương Trong Chương 3, trình bày bước xây dựng hoàn thiện ứng dựng hệ gợi ý âm nhạc dựa phương pháp kết hợp phương pháp trình bày chương Chương đưa phương pháp thử nghiệm hệ thống, cách tiếp cận thu thập ý kiến người dùng nhằm mục đích đánh giá khả hoạt động hệ thống 42 KẾT LUẬN Kết đạt hạn chế Dựa vào kết phân tính liệu từ thực nghiệm Phương pháp gợi ý dùng lọc cộng tác thẻ đánh dấu cho kết đánh giá tốt Điều giải thích vài lý Trước hết, trang Last.fm có hàng triệu người dùng đăng ký sử dụng Điều giúp tăng hiệu gợi ý, kết tỷ lệ thuận với số người sử dụng Tuy nhiên, thẻ gợi ý chủ yếu liên quan đến tên nhạc, tên nghệ sỹ tên album nhạc Điều ảnh hưởng đên việc chấm điểm người tham gia thực nghiệm, thông thường nhạc có nghệ sỹ biểu diễn thường đánh giá giống Mục tiêu phương pháp gợi ý âm nhạc kết hợp sử dung lọc cộng tác lọc nội dung nhìn chung thành công hướng theo yêu cầu đặt Tuy nhiên gợi ý xác tập liệu có khoảng 500 nhạc thiếu đa dạng Trong ví dụ này, nhạc chọn nghe nhạc jazz, medium-swing có chủ đề giáng sinh biểu diễn Ellas Fitzgerald Đây nhạc Ella Fitzgerald tập liệu Ngoài ra, nhiều nhạc jazz, medium-swing, tập liệu Trên thực thế, có khoảng 3,8% nhạc tập liệu có thẻ đánh dấu jazz Điều dẫn đến việc kết gợi ý không xác Ví dụ, gợi ý phương pháp kết hợp “What Christmas Means to Me” biểu diễn Hanson thiên thể loại pop-rock Bản nhạc gợi ý chủ yếu là nhạc giáng sinh Những gợi ý hai phương pháp lại gặp vấn đề tương tự Bản nhạc gợi ý dựa thẻ đánh dấu, “Christmas Time” biểu diển Backstreet Boys thể loại pop-rock Bản nhạc gợi ý lý ca khúc giáng sinh Bản nhạc gợi ý trích chọn đặc trưng âm nhạc, “Know You Now” Amy Winehouse thuộc thể loại R&B Bản nhạc gợi ý vị Amy Winehouse có quãng chất giọng gần giống với Ella Fitzgerald Nhưng nhạc không giống với nhạc nghe Cụ thể hơn, chúng hoàn toàn khác thể loại nhịp điệu 43 Hướng phát triển Định hướng phát triển tiếp theo, trước hết mở rộng tập liệu, tăng đa dạng thể loại số lượng nhạc Việc giúp tăng số đo mức độ giống góp phần làm tăng xác nhạc gợi ý Tổng quát, phương pháp lọc nội dung tự động trích chọn thuộc tính MFCC thể tốt Nhưng lại xác số ba phương pháp thử nghiệm Lý phương pháp xét đến tần số âm Hệ thống tương lai mở rộng thêm số đặc trưng âm nhạc khác nhạc cụ nhịp điệu Để phục vụ cộng đồng người dùng, hệ thống phải có thêm tính động, tự động cập nhật sở liệu thẻ gợi ý mới, nhạc điều chỉnh số dựa tập liệu cập nhật Ngoài ra, hệ thống có khả tự động điều chỉnh gợi ý dựa hành vi người dùng Điều làm giúp hệ gợi ý trở nên cá nhân hóa cho người sử dụng 44 TÀI LIỆU THAM KHẢO [1] C H Chuan (2013), “Audio Classification and Retrieval Using Wavelets and Gaussian Mixture Models”, Multimedia Engineering and Management, International Journal of, vol 4, issue [2] H C Chen, A.L Chen (2001), “A Music Recommendation System Based on Music Data Grouping and User Interests”, Information and Knowledge Management, 10th ACM International Conference on, pp 231-238 [3] W W Cohen, W Fan (2000), “Web-collaborative Filtering: Recommending Music by Crawling the Web”, Computer Networks, vol 33, no 1, pp 685698 [4] M.M Deza, E Deza (2009), Encyclopedia of Distances, Springer, New York, pp 94 [5] D Eck, P Lamere, T Bertin-Mahieux, S Green (2008) “Automatic Generation of Social Tags for Music Recommendation”, Advances in Neural Information Processing Systems, pp 385-392 [6] S.A Golder, B A Huberman (2006), “Usage Patterns of Collaborative Tagging Systems”, Journal ofInformation Science, vol 32, pp 198–208 [7] J Jenson, D Ellis, M Christensen, S Jensen (2007), “Evaluation of Distance Measures between Gaussian Mixture Models of MFCCs”, 8th International Conference on Music Information Retrieval, pp 107-108 [8] P Knees, T Pohle, M Schedl, G Widmer (2007), “A Music Search Engine Built upon Audio-based and Web-based Similarity Measures”, International ACM SIGIR Conference on Research and Development in Information Retrieval, pp 447-454 [9] M Levy, M Sandler (2006), “Lightweight Measures for Timbral Similarity of Musical Audio”, 1st ACM Workshop on Audio and Music Computing Multimedia [10] M Levy, M Sandler (2009), “Music Information Retrieval Using Social Tags and Audio”, IEEE Transactions on Multimedia, vol 11, no 3, pp 383395 [11] M Mandel, D Ellis (2005), “Song-Level Features and Support Vector Machines for Music Classification”, 6th International Conference on Music Information Retrieval, pp 594-599 45 [12] X Su, T Khoshgoftaar (2009), “A Survey of Collaborative Filtering Techniques”, Advances in Artificial Intelligence [13] X Wu, L Zhang, Y Yu (2006), “Exploring Social Annotations for the Semantic Web”, 15th International Conference on World Wide Web, pp 417-426 [14] http://www.Last.fm/, truy cập ngày 26/9/2016 [15] http://www.vamp-plugins.org/sonic-annotator/, truy cập ngày 26/9/2016 [16] http://www.sonicvisualiser.org/, truy cập ngày 26/9/2016 ... VỀ HỌC MÁY TRONG HỆ GỢI Ý .3 Hệ gợi ý (Recommender Systems) 1.1.1 Học máy lọc cộng tác 1.1.2 Học máy lọc theo nội dung 1.2 Hệ gợi ý âm nhạc 1.2.1 Các nghiên. .. ứng dụng xây dựng hệ gợi ý âm nhạc , nhằm cung cấp nhìn phương pháp học máy gợi ý âm nhạc, phân tích, so sánh phương pháp lựa chọn phương pháp để xây dựng hệ thống gợi ý cho website nghe nhạc trực... nghiên cứu Đối tượng nghiên cứu bao gồm kỹ thuật, phương pháp học máy sử dụng để gợi ý liệu Các phương pháp học máy tìm hiểu phạm vi liệu nhạc, xử lý nhạc Phương pháp nghiên cứu Nghiên cứu lý