عنوان تحقیق:طراحی سیستم پیشنهاد دهنده موسیقی ایرانی با استفاده از دادهکاویفرمت فایل: wordتعداد صفحات: 89شرح مختصر: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. فهرست مطالبعنوان صفحهفصلاول:مقدمه1-1 مقدمه21-2تعریف مساله21-3اهداف و دستاوردها41-4ساختارپایان نامه5فصل دوم: بر متون گذشته مرور2-1 مقدمه82-2موسیقی و ویژگیهای آن82-2-1موسیقی چیست82-2-2ویژگیهای صوتی موسیقی92-2-3تولید موسیقی102-3استخراج ویژگیهای محتوایی از فایل صوتی132-3-1انواع ویژگیها132-3-2 تقسیم بندی ویژگیها از نظر طول فریم272-4 مجموعه دادهها282-5ردهبندی موسیقی282-5-1ردهبندی282-5-2ردهبندی در متون گذشته312-6سیستمهایپیشنهاددهنده352-6-1انواع سیستمهای پیشنهاددهنده352-6-2سیستمهای پیشنهاد دهنده موسیقی372-7 نتیجه38فصلسوم:روش پیشنهادی3-1مقدمه403-2 تولید مجموعه داده از موسیقی ایرانی413-2-1جمعآوری دادهها و فرا دادهها و پیش پردازش413-2-2استخراج ویژگیها423-2-3ویژگیهای مجموعه دادهها433-3 ویژگی Area Method Of Moment of MFCC463-3-1عملگر Area Method Of Moment473-3-2روش محاسبه Area Method Of Moment of MFCC493-4معرفیمعیار شباهت پروفایل جدید493-4-1معیار شباهت پروفایل503-5برنامه کاربردی پیشنهاددهنده موسیقی523-5-1پیشنهاد دهی بر اساس شباهت موسیقی553-5-2پیشنهاد دهی بر اساس شباهت پروفایل563-6نتیجه57فصل چهارم: ارزیابی4-1مقدمه594-2ارزیابی برتریمجموعه داده تولید شده594-3ارزیابیویژگیArea Method Of Moment of MFCC614-3-1ردهبندی سبک614-3-2ردهبندی دستگاههای موسیقی سنتی664-3-3پیشنهاددهی با استفاده از ویژگی Area Method Of Moment of MFCC684-4ارزیابی معیار شباهت پروفایل694-5نتیجه69فصلپنجم:نتیجه گیری و کارهای آینده5-1مقدمه715-2دستاوردهای تحقیق725-3محدودیتهای تحقیق735-4کارهای آینده73 فهرست شکل هاعنوان صفحهشکل2-1-فلوچارت محاسبه هیستوگرامضرب17شکل 2-2- نمونه هیستوگرا مضرب17شکل2-2-معیارspectral fluxبرایspeechتقریبابالاترازاین مقدار برایmusicاست.25شکل2-4-درصدفریمهای با انرژی پایین26شکل2-5-یک نمونه درخت تصمیمگیری29شکل3-1- پراکندگی تعدادویژگیهادردستههای مختلف44شکل3-2- پراکندگی تعدادآهنگهابرای سبکهای مختلف45شکل3-3- پراکندگی تعدادآهنگهابرای دستگاههای مختلف46شکل3-4-روش محاسبهArea Method of Moments of MFCC49شکل3-5- شمای کلی از برنامه کاربردی54شکل3-6- لیست موسیقیهای در اختیارک اربر54شکل3-7- مراحل انتخاب موسیقی براساس شباهت فایلهای موسیقی55شکل3-8- پیشنهاد دهی براساس شباهت موسیقیها56شکل3-9- پیشنهاد براساس شباهت پروفایلهای مشتریان57شکل4-1- درصد صحت برای هر ژانردردو آزمایش60شکل4-2- معیارRecall- precision وF-measureبرای سبکهای مختلف64شکل4-3- معیارRecall- precision وF-measureبرای سبکهای مختلف66شکل4-4- معیارRecall- precision وF-measureبرای دستگاههای مختلف68 فهرست جداولعنوان صفحهجدول2-1طبقه بندی ویژگیها14جدول2-2 تقسیم بندی بر اساس طول فریم استخراج27جدول2-3مرور متون گذشته در ارتباط با ردهبندی موسیقی31جدول2-4مرور متون گذشته سیستم پیشنهاددهنده37جدول3-1اطلاعات کلی از مجموعه داده43جدول3-2پراکندگی تعداد ویژگیها در دستههای مختلف44جدول4-1 درصد صحت برای هر ژانر در دو آزمایش60جدول4-2مجموعه آزمایش های انجام شده و ویژگی های آن37جدول4-3مجموعهها ویژگیهای به کار رفتهدر آموزش درخت تصمیمی63جدول4-4معیار Recall- precision وF-measure برای سبک مختلف63جدول4-5مجموعهها ویژگیهای به کار رفته در آموزش درخت تصمیمی65جدول4-6 معیار Recall- precision وF-measure برای موسیقی غربی65جدول4-7 مجموعهها ویژگیهای به کار رفته در آموزش درخت تصمیمی67جدول4-8معیار Recall- precision وF-measure برای دستگاههای مختلف67جدول4-9 بازخورد به دست آمده از افراد69جدول4-10 کارایی معیار پیشنهاد شده69
طراحی سیستم پیشنهاددهنده موسیقی ایرانی با استفاده از دادهکاوی
عنوان تحقیق:طراحی سیستم پیشنهاد دهنده موسیقی ایرانی با استفاده از دادهکاویفرمت فایل: wordتعداد صفحات: 89شرح مختصر: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. فهرست مطالبعنوان صفحهفصلاول:مقدمه1-1 مقدمه21-2تعریف مساله21-3اهداف و دستاوردها41-4ساختارپایان نامه5فصل دوم: بر متون گذشته مرور2-1 مقدمه82-2موسیقی و ویژگیهای آن82-2-1موسیقی چیست82-2-2ویژگیهای صوتی موسیقی92-2-3تولید موسیقی102-3استخراج ویژگیهای محتوایی از فایل صوتی132-3-1انواع ویژگیها132-3-2 تقسیم بندی ویژگیها از نظر طول فریم272-4 مجموعه دادهها282-5ردهبندی موسیقی282-5-1ردهبندی282-5-2ردهبندی در متون گذشته312-6سیستمهایپیشنهاددهنده352-6-1انواع سیستمهای پیشنهاددهنده352-6-2سیستمهای پیشنهاد دهنده موسیقی372-7 نتیجه38فصلسوم:روش پیشنهادی3-1مقدمه403-2 تولید مجموعه داده از موسیقی ایرانی413-2-1جمعآوری دادهها و فرا دادهها و پیش پردازش413-2-2استخراج ویژگیها423-2-3ویژگیهای مجموعه دادهها433-3 ویژگی Area Method Of Moment of MFCC463-3-1عملگر Area Method Of Moment473-3-2روش محاسبه Area Method Of Moment of MFCC493-4معرفیمعیار شباهت پروفایل جدید493-4-1معیار شباهت پروفایل503-5برنامه کاربردی پیشنهاددهنده موسیقی523-5-1پیشنهاد دهی بر اساس شباهت موسیقی553-5-2پیشنهاد دهی بر اساس شباهت پروفایل563-6نتیجه57فصل چهارم: ارزیابی4-1مقدمه594-2ارزیابی برتریمجموعه داده تولید شده594-3ارزیابیویژگیArea Method Of Moment of MFCC614-3-1ردهبندی سبک614-3-2ردهبندی دستگاههای موسیقی سنتی664-3-3پیشنهاددهی با استفاده از ویژگی Area Method Of Moment of MFCC684-4ارزیابی معیار شباهت پروفایل694-5نتیجه69فصلپنجم:نتیجه گیری و کارهای آینده5-1مقدمه715-2دستاوردهای تحقیق725-3محدودیتهای تحقیق735-4کارهای آینده73 فهرست شکل هاعنوان صفحهشکل2-1-فلوچارت محاسبه هیستوگرامضرب17شکل 2-2- نمونه هیستوگرا مضرب17شکل2-2-معیارspectral fluxبرایspeechتقریبابالاترازاین مقدار برایmusicاست.25شکل2-4-درصدفریمهای با انرژی پایین26شکل2-5-یک نمونه درخت تصمیمگیری29شکل3-1- پراکندگی تعدادویژگیهادردستههای مختلف44شکل3-2- پراکندگی تعدادآهنگهابرای سبکهای مختلف45شکل3-3- پراکندگی تعدادآهنگهابرای دستگاههای مختلف46شکل3-4-روش محاسبهArea Method of Moments of MFCC49شکل3-5- شمای کلی از برنامه کاربردی54شکل3-6- لیست موسیقیهای در اختیارک اربر54شکل3-7- مراحل انتخاب موسیقی براساس شباهت فایلهای موسیقی55شکل3-8- پیشنهاد دهی براساس شباهت موسیقیها56شکل3-9- پیشنهاد براساس شباهت پروفایلهای مشتریان57شکل4-1- درصد صحت برای هر ژانردردو آزمایش60شکل4-2- معیارRecall- precision وF-measureبرای سبکهای مختلف64شکل4-3- معیارRecall- precision وF-measureبرای سبکهای مختلف66شکل4-4- معیارRecall- precision وF-measureبرای دستگاههای مختلف68 فهرست جداولعنوان صفحهجدول2-1طبقه بندی ویژگیها14جدول2-2 تقسیم بندی بر اساس طول فریم استخراج27جدول2-3مرور متون گذشته در ارتباط با ردهبندی موسیقی31جدول2-4مرور متون گذشته سیستم پیشنهاددهنده37جدول3-1اطلاعات کلی از مجموعه داده43جدول3-2پراکندگی تعداد ویژگیها در دستههای مختلف44جدول4-1 درصد صحت برای هر ژانر در دو آزمایش60جدول4-2مجموعه آزمایش های انجام شده و ویژگی های آن37جدول4-3مجموعهها ویژگیهای به کار رفتهدر آموزش درخت تصمیمی63جدول4-4معیار Recall- precision وF-measure برای سبک مختلف63جدول4-5مجموعهها ویژگیهای به کار رفته در آموزش درخت تصمیمی65جدول4-6 معیار Recall- precision وF-measure برای موسیقی غربی65جدول4-7 مجموعهها ویژگیهای به کار رفته در آموزش درخت تصمیمی67جدول4-8معیار Recall- precision وF-measure برای دستگاههای مختلف67جدول4-9 بازخورد به دست آمده از افراد69جدول4-10 کارایی معیار پیشنهاد شده69