KHÓA LUẬN TỐT NGHIỆP NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN ANH TẤN LỘC ĐỨC THẮNG KHÓA LUẬN TỐT NGHIỆP NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC Music genre recognition for recommendation in music application KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM TP HỒ CHÍ MINH, 2021 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM NGUYỄN ANH TẤN –17521013 LỘC ĐỨC THẮNG - 17521039 KHÓA LUẬN TỐT NGHIỆP NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC Music genre recognition for recommendation in music application KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN ThS Mai Trọng Khang TP HỒ CHÍ MINH, 2021 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 - Chủ tịch - Thư ký .- Ủy viên .- Ủy viên ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC Music genre recognition for recommendation in music application Nhóm SV thực hiện: Cán hướng dẫn: Nguyễn Anh Tấn 17521013 Lộc Đức Thắng 17521039 Ths Mai Trọng Khang Đánh giá Khóa luận Về báo cáo: Số trang Số bảng số liệu Số tài liệu tham khảo Số chương Số hình vẽ Sản phẩm _ _ _ Một số nhận xét hình thức báo cáo: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Về nội dung nghiên cứu: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Về chương trình ứng dụng: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Về thái độ làm việc sinh viên: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Đánh giá chung: Điểm sinh viên: Nguyễn Anh Tấn:……… /10 Lộc Đức Thắng:……… /10 Người nhận xét (Ký tên ghi rõ họ tên) ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC Music genre recognition for recommendation in music application Nhóm SV thực hiện: Cán phản biện: Nguyễn Anh Tấn 17521013 Lộc Đức Thắng 17521039 Đánh giá Khóa luận Về báo cáo: Số trang Số bảng số liệu Số tài liệu tham khảo _ _ _ Số chương Số hình vẽ Sản phẩm Một số nhận xét hình thức báo cáo: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Về nội dung nghiên cứu: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Về chương trình ứng dụng: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Về thái độ làm việc sinh viên: …… ………………………………………………………………………… …… ………………………………………………………………………… …… ………………………………………………………………………… Đánh giá chung: Điểm sinh viên: Nguyễn Anh Tấn:……… /10 Lộc Đức Thắng:……… /10 Người nhận xét (Ký tên ghi rõ họ tên) LỜI CẢM ƠN Sau khoảng thời gian 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 nhiều kiến thức, kỹ hữu ích Đó tiền đề để chúng em hồn thành Khóa luận tốt nghiệp Lời đầu tiên, chúng em xin gửi lời cảm ơn chân thành đến với Ban Giám hiệu nhà trường quý thầy cô dạy dỗ, hỗ trợ, đồng hành chúng em suốt chặng đường đại học Những lời giảng quý thầy cô giúp cho chúng em ngày mở mang tri thức, tiếp cận với công nghệ thời 4.0 vươn tầm hội nhập với quốc tế Chúng em xin gửi lời cảm ơn chân thành sâu sắc đến thầy Mai Trọng Khang giúp đỡ, định hướng nhiều cho chúng em từ lúc bắt đầu thực đến nhóm hồn thành đề tài Những đóng góp thầy góp phần to lớn khơng với phạm vi đồ án tốt nghiệp mà cịn hành trang quý báu để chúng em mang suốt quãng đường tương lai phía trước Và cuối cùng, chúng em xin gửi lời cảm ơn đến gia đình, q thầy khoa, Huỳnh Hồ Thị Mộng Trinh cố vấn học tập bạn bè, tập thể lớp KTPM2017 sẵn sàng giúp đỡ, giải đáp thắc mắc, chia sẻ kiến thức học tập rèn luyện thân Mong ln tập thể gắn bó, đồn kết với mãi Trong q trình làm khóa luận chúng em khơng tránh khỏi sai sót, chúng em kính mong nhận dẫn góp ý q thầy để khóa luận hoàn thiện Chúng em xin chân thành cảm ơn xin chúc người luôn gặp điều tốt đẹp Trân trọng MỤC LỤC Chương GIỚI THIỆU CHUNG 1.1 Lý chọn đề tài 1.2 Đối tượng nghiên cứu 1.3 Phạm vi nghiên cứu 1.4 Phương pháp nghiên cứu Chương KIẾN THỨC NỀN TẢNG 2.1 Tổng quan ASP.Net core 2.1.1 Giới thiệu ASP.Net core 2.1.2 Ưu điểm ASP.Net core 2.1.3 Xây dựng Web UI Web API sử dụng ASP.Net core 2.2 Tổng quan Angular 2.2.1 Giới thiệu Angular 2.2.2 Các đặc trưng Angular 2.2.3 Ưu điểm bật Angular 2.2.4 Các tính Angular 2.3 Tổng quan Xamarin Form MVVM 2.3.1 Giới thiệu Xamarin Form 2.3.2 Lý chọn Xamarin Form để phát triển ứng dụng mobile 2.3.3 Mơ hình MVVM 2.4 Tổng quan Flask 11 12 2.4.1 Giới thiệu Flask 12 2.4.2 Tại nên sử dụng Flask 12 2.5 Tổng quan Keras 13 2.6 Tổng quan PostgreSQL 14 2.6.1 Giới thiệu PostgreSQL 14 2.6.2 Ưu điểm bật PostgreSQL 14 2.7 Tổng quan Redis 15 2.7.1 Giới thiệu Redis 15 2.7.2 Các kiểu liệu Redis 15 2.7.3 Lý nên sử dụng Redis 16 2.8 Tổng quan Elasticsearch Kibana 16 2.8.1 Giới thiệu Elasticsearch 16 2.8.2 Giới thiệu Kibana 18 2.9 Tổng quan Docker 20 2.9.1 Docker 20 2.9.2 Các khái niệm docker 20 2.9.3 Quy trình thực thi hệ thống sử dụng Docker 21 Chương PHÂN TÍCH HỆ THỐNG 23 3.1 Xây dựng kiến trúc hệ thống 23 3.2 Phân tích thiết kế hệ thống 25 3.2.1 Sơ đồ use case 25 3.2.1.1 Đặc tả use case Đăng nhập 26 3.2.1.2 Đặc tả use case Tìm kiếm 27 3.2.1.3 Đặc tả use case Tạo hát 28 3.2.1.4 Đặc tả use case Nghe nhạc 29 3.2.1.5 Đặc tả use case Xem lyric 30 3.2.1.6 Đặc tả use case Bình luận 31 phân loại điểm positive chắn Recall = 1, nhiên dễ nhận mô hình cực tồi - Một mơ hình phân lớp tốt mơ hình có Precision Recall cao, tức gần tốt Có hai cách đo chất lượng phân lớp dựa vào Precision Recall: Precision-Recall curve F-score - F1-score, harmonic mean precision recall (giả sử hai đại lượng khác khơng) để tính độ dung hịa precision recall Chi tiết đánh giá số mơ hình train: - Resnet18 (số thứ tự 7): Tập test gồm thể loại Việt Nam khoảng 500 loại Độ xác: 80% Precision: 0.7998 Recall: 0.7984 F1 Score: 0.7985 Confusion matrix: 110 Hình 4.28: Confusion matrix Resnet18 Nhận xét: - Mơ hình cân đối (F1 Score cao) tập số lượng loại nhạc tập test đồng - Thể loại cải lương, rap Việt, nhạc cách mạng có tỉ lệ đốn nhiều hơn, thể loại nhạc Trịnh, nhạc dân ca dễ bị đốn sai - Mơ hình dự đoán sai 33 cải lương dân ca, 40 rap Việt nhạc trẻ, 37 nhạc trữ tình nhạc Trịnh, 33 rap Việt nhạc trẻ 31 dân ca nhạc Trịnh (do dự đốn sai thể loại xác có vài điểm chung,ví dụ nhạc trẻ hay có vài đoạn rap, nhạc Trịnh mang chất chữ tình…) 111 - Resnet50(số thứ tự 2): Tập test gồm 11 thể loại Âu Mỹ khoảng 500 loại Độ xác: 80% Precision: 0.7958 Recall: 0.7947 F1 Score: 0.7925 Confusion matrix: Hình 4.29: Confusion matrix Resnet50 Nhận xét: - Mơ hình cân đối (F1 Score cao) tập số lượng loại nhạc tập test đồng 112 - Dựa vào confusion matrix ta thấy: Thể loại country, rock, rap hip hop, blues-jazz có tỉ lệ đốn nhiều hơn, cịn thể loại latin, folk dễ bị đốn sai 4.7 Tích hợp vào hệ thống backend Sau lưu lại model train xong, xây dựng web api đơn giản Flask cung cấp api cho hệ thống Backend phục vụ cho phân loại nhạc xây dựng hệ thống khuyến nghị Angular Web để kiểm tra nhanh model với file nhạc Hình 4.30: Tích hợp mơ hình vào hệ thống backend 113 4.8 Kết luận Với độ xác 80% mơ hình tốt (ResNet18 ResNet50) ứng dụng vào hệ thống để phân loại nhạc ổn định nhiên để tăng thêm độ xác cho mơ hình thực hiện: - Thu thập thêm nhiều dataset từ nhiều khác phân loại chúng kĩ Dữ liệu huấn luyện đa dạng phong thì mơ hình tránh overfitting (q khớp deep learning) tăng tỉ lệ dự đoán gặp hát Như phần đầu nhấn mạnh, chất lượng mơ hình máy học phụ thuộc nhiều vào liệu - Thay đổi trình tiền xử lí âm cách để làm tăng độ xác Một số cách thay đổi dài file nhạc xuống 15s đoạn, thay đổi dạng phổ STFT, Mel-spectrogram, HPSS, CQT, Chromagram…, thêm số kĩ thuật tỉa khoảng lặng (địi hỏi chi phí phần cứng cao), chỉnh tune giọng hát hay nhạc cũ hát - Thử nghiệm thêm nhiều mạng nơron khác VGG, GoogleNet, MobileNet, - Thay đổi tỉ lệ train test set điều chỉnh số lượng epoch số thông số khác model thêm bớt layer 114 Chương MÔ TẢ CHỨC NĂNG GỢI Ý BÀI HÁT 5.1 Tổng quan toán gợi ý âm nhạc Ngày nay, hệ thống khuyến nghị áp dụng nhiều thực tế lĩnh vực giải trí, tin tức, thương mại điện tử, tìm kiếm, giáo dục, nghiên cứu giúp dự đoán “xếp hạng” hay “sở thích’ người dùng với đối tượng cụ thể Cùng với phát triển xã hội, nhu cầu giải trí người ngày cao đặc biệt lĩnh vực âm nhạc Số lượng sản phẩm âm nhạc mắt nhiều khoảng thời gian ngắn làm phát sinh toán gợi ý sản phẩm phù hợp đến với người nghe Với toán gợi ý, phương pháp phổ biến là: - Khuyến nghị dựa cộng tác: Lọc dựa lịch sử hành vi người dùng (lịch sử hát thích, nghe ) hành động tương tự người dùng khác Sau dự đốn hạng mục mà người dùng quan tâm - Khuyến nghị dựa nội dung: Dựa vào thuộc tính hát người dùng nghe thời gian gần đề xuất hát khác với thuộc tính tương tự cho người dùng - Ngồi ra, sử dụng kết hợp hai phương pháp cho hệ thống khuyến nghị (Hệ thống gợi ý lai – Hybrid Recommender Systems) Với phương pháp lọc dựa cộng tác, với ứng dụng nhỏ, mắt có lượng tương tác việc tìm giá trị phù hợp cho ma trận gợi ý trở nên khó khăn liệu Điều dẫn đến việc hiệu hệ thống gợi ý không cao Ngoài hát mắt, chưa có lượt tương tác không gợi ý đến với người dùng Với phương pháp khuyến nghị dựa nội dung hạn chế tháo gỡ Và việc kết hợp thêm hệ thống nhận dạng âm nhạc làm tiền đề để phân loại hát làm cho hệ thống gợi ý trở nên hiệu hết Đó lý nhóm chọn phương pháp khuyến nghị dựa nội dung kết hợp với machine learning để thực đề tài 115 5.2 Phương pháp thực 5.2.1 Khuyến nghị hát theo thể loại yêu thích Hình 5.1 Sơ đồ thuật tốn gợi ý Bước thực toán gợi ý xác định sở thích người dùng Sở thích người dùng trích xuất thơng qua lịch sử nghe thể loại âm nhạc khác thể dạng ma trận chiều với số lượng cột số lượng thể loại nhạc hệ thống, giá trị ô ma trận thể độ yêu thích người dùng với thể loại nhạc tương ứng 116 Hình 5.2 Biểu đồ thể loại u thích người dùng Hình 5.3 Minh họa ma trận thể loại yêu thích người dùng Tương tự, ma trận thể loại nhạc thể với cột tương ứng với thể loại nhạc hệ thống Tuy nhiên, hát thuộc thể loại giá trị tương ứng Hình 5.4 Minh họa ma trận thể loại nhạc Việc tính tỷ lệ người dùng thích hát thực theo công thức mô tả sơ đồ 𝑝𝑒𝑟𝑐𝑒𝑛𝑡_𝑙𝑖𝑘𝑒 = 𝑆𝑈𝑀(𝑠𝑜𝑛𝑔_𝑚𝑎𝑡𝑟𝑖𝑥 ∗ 𝑢𝑠𝑒𝑟_𝑓𝑒𝑎𝑡𝑢𝑟𝑒_𝑚𝑎𝑡𝑟𝑖𝑥) 𝑆𝑈𝑀(𝑢𝑠𝑒𝑟_𝑓𝑒𝑎𝑡𝑢𝑟𝑒_𝑚𝑎𝑡𝑟𝑖𝑥) Với ví dụ Hình 5.3 Hình 5.4 percent_like có giá trị 0.97 Sau thực tính tốn lưu giá trị yêu thích người dùng hát mảng, bước cuối xếp mảng sau lấy giá trị từ cao đến thấp 117 5.2.2 Khuyến nghị hát cho người dùng Hình 5.5 Sơ đồ thuật tốn khuyến nghị hát cho người dùng Đối với toán khuyến nghị hát cho người dùng, việc thực trở nên dễ dàng 118 Bước hệ thống cần xác định thể loại âm nhạc mà người dùng u thích Sau tìm kiếm số lượng cụ thể hát thuộc thể loại CSDL theo thứ tự thời gian từ đến cũ Từ số lượng hát này, hệ thống thực việc lọc lại hát giống (lọc theo tên dựa vào thuật toán Jaccard distance) Các hát giống chọn hát tài khoản ca sĩ, nhạc sĩ tải lên, loại bỏ cover, remix Kết thúc bước lọc hát giống nhau, ta danh sách hát gợi ý cho người dùng 119 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết đạt Trong q trình thực khóa luận tốt nghiệp, nhóm chúng em tìm hiểu thêm nhiều cơng nghệ mới, đặc biệt tìm hiểu ứng dụng máy học vào đề tài thực tế giải tốn cụ thể mang lại lợi ích cho cộng đồng âm nhạc Việt Nam Bên cạnh đó, chúng em cịn có hội củng cố, áp dụng kiến thức học suốt thời gian học đại học vào đề tài tích lũy thêm nhiều kinh nghiệm bổ ích q trình kiến trúc, xây dựng, vận hành hệ thống Và kết tinh sau trình nghiên cứu, phát triển đề tài hệ thống bao gồm tính Ứng dụng nghe nhạc BigBlueBirds tảng Android với giao diện thân thiện, bắt mắt, giúp người dùng dễ dàng tìm kiếm, chia sẻ, lưu trữ tận hưởng hát mà u thích Hệ thống máy học giúp tự động nhận dạng phân loại hát người dùng tải lên hát Hệ thống phân biệt 11 thể loại âm nhạc Âu Mỹ thể loại nhạc Việt Nam bật với độ xác lên đến 80% Hệ thống gợi ý âm nhạc kết hợp hệ thống nhận dạng hệ thống theo dõi lịch sử người dùng để đưa hát phù hợp, lạ đến với người nghe Hệ thống theo dõi, thống kê giúp ghi log thống kê lượt sử dụng phần mềm độ tương tác, phản hồi tính gợi ý từ giúp đội ngũ phát triển cải thiện sản phẩm ngày tốt Website quản trị Admin giúp quản trị viên dễ dàng theo dõi, quản lý hệ thống backend, quản lý thông tin người dùng, hát, danh sách phát… Website quản trị User giúp người dùng quản lý, theo dõi sản phẩm âm nhạc cách dễ dàng so với việc sử dụng giao diện mobile 120 6.2 Ưu điểm Hệ thống nhận dạng âm nhạc có độ xác cao Giúp cho toán gợi ý âm nhạc thực hiệu Hệ thống gợi ý đề xuất hát tiếp cận đến người dùng phù hợp Người dùng không cần đăng nhập vào hệ thống sử dụng tính gợi ý âm nhạc Ứng dụng có đầy đủ tính năng, giao diện trực quan, đơn giản, dễ sử dụng Ngồi ra, ứng dụng cịn hỗ trợ người dùng theo dõi sở thích nghe nhạc thân Tìm hiểu áp dụng cơng nghệ vào hệ thống 6.3 Nhược điểm Ứng dụng hỗ trợ hệ điều hành android Hệ thống nhận dạng thời gian chậm từ 15 - 30 giây 6.4 Hướng phát triển Đề tài cho phép mở rộng, phát triển nhằm xây dựng hệ thống hoàn chỉnh bao gồm: - Phát triển ứng dụng cho hệ điều hành IOS tảng web - Cải tiến hệ thống nhận dạng âm nhạc hỗ trợ nhiều thể loại nhạc - Phát triển hệ thống gợi ý dựa vào cảm xúc, tâm trạng từ cải thiện chất lượng sống cho người dùng - Bổ sung tính quản lý khiếu nại quyền 121 TÀI LIỆU THAM KHẢO Tài liệu tiếng Anh [1] A Ronacher, "Quickstart - Flask Documentation," [Online] Available: https://flask.palletsprojects.com/en/2.0.x/quickstart/ [2] D Inc, "docker (base command)," [Online] Available: https://docs.docker.com/engine/reference/commandline/docker/ [3] Elasticsearch, "Elasticsearch Guide," [Online] Available: https://www.elastic.co/guide/en/elasticsearch/reference/current/index.html [4] K Choi, G Fazekas and M Sandler, "Automatic tagging using deep convolutional neural networks," June 2016 [Online] Available: https://arxiv.org/abs/1606.00298 [Accessed 30 March 2021] [5] M Won, A Ferraro, D Bogdanov and X Serra, "Evaluation of CNN-based Automatic Music Tagging Models," June 2020 [Online] Available: https://arxiv.org/abs/2006.00751 [Accessed 30 March 2021] [6] Microsoft, "Common web application architectures," 12 January 2020 [Online] Available: https://docs.microsoft.com/enus/dotnet/architecture/modern-web-apps-azure/common-web-applicationarchitectures [Accessed 30 2021] [7] Microsoft, "Xamarin.Forms tutorials," [Online] Available: https://docs.microsoft.com/en-us/xamarin/get-started/tutorials/ [8] P M Chauhan and N P Desai, "Mel Frequency Cepstral Coefficients (MFCC) based speaker identification in noisy environment using wiener filter," 16 October 2014 [Online] Available: https://ieeexplore.ieee.org/document/6921394 [Accessed April 2021] 122 [9] V Velardo, "Deep Learning (for Audio) with Python," March 2020 [Online] Available: https://www.youtube.com/playlist?list=PLwATfeyAMNrtbkCNsLcpoAyBBRJZVlnf [Accessed 10 April 2021] 123 Tài liệu tiếng Việt [1] N T Thành, “Feature Extraction - MFCC cho xử lý tiếng nói,” 29 04 2020 [Trực tuyế n] Available: https://viblo.asia/p/feature-extraction-mfcc-cho-xu-lytieng-noi-4dbZN2xmZYM [2] V H Tiệp, “Machine Learning bản,” 26 12 2016 [Trực tuyế n] Available: https://machinelearningcoban.com [3] VDRAGON, “Hệ Thống Gợi Ý (Recommender System) Là Gì?,” 25 11 2018 [Trực tuyế n] Available: https://dnmtechs.com/he-thong-goi-y-recommendersystem-la-gi/ 124 ... HCM, ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC Music genre recognition... ngày… tháng… năm…… NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC Music genre recognition... NGUYỄN ANH TẤN –17521013 LỘC ĐỨC THẮNG - 17521039 KHÓA LUẬN TỐT NGHIỆP NHẬN DẠNG THỂ LOẠI ÂM NHẠC ĐỂ XÂY DỰNG CHỨC NĂNG KHUYẾN NGHỊ TRONG ỨNG DỤNG NGHE NHẠC Music genre recognition for recommendation