Sistemas de Recomendação Musical e Classificação de Gêneros Musicais: Um Mapeamento Sistemático

##plugins.themes.bootstrap3.article.main##

Ingrid Bruno Nunes
Maíra Araújo de Santana
Juliana Carneiro Gomes
Cristine Gomes Martins de Gusmão
Wellington Pinheiro dos Santos

Resumo

A música afeta o estilo de vida dos indivíduos, incluindo lazer, entretenimento e bem-estar psicológico, justamente por ser uma expressão predominante da cultura humana (Miao et al. 2020). Atualmente, a disponibilidade de música digital é muito abundante em comparação com a era anterior, então escolher o que ouvir consome muito tempo e pode causar fadiga de informações. Porém, ouvir música na era digital é mais fácil por causa dos aplicativos de streaming de música que têm recursos para indicar mais faixas aos usuários, e que ajudam a formar uma playlist apropriada das bibliotecas de música populares, com base nas que foram ouvidas anteriormente (Adiyansjah et al. 2019). Os Sistemas de Recomendação podem ser entendidos como ferramentas que auxiliam no aumento da capacidade e eficácia deste processo de indicação (Resnick et al. 1997). Na busca de uma melhor compreensão técnica acerca do contexto exposto, esta pesquisa teve como objetivo realizar um mapeamento sistemático para investigar as técnicas de computação que estão sendo utilizadas em sistemas de recomendação musical e classificação dos gêneros musicais. A busca foi feita na base do ScienceDirect, com as palavras-chave “music recommendation systems; recommendation algorithm; recommendation systems”. Trabalhos no período de 2016 a 2021, e de livre acesso foram selecionados, resultando em 203 artigos. Após a leitura e seleção dos artigos, apenas 5 permaneceram para análise e extração de informações. No artigo de Miao et al. foi utilizada uma estrutura HRRS (Humming-Query e Reinforcement-Learning Based Recommendation Systems) para aprender e adaptar as preferências de sequência de música do usuário em tempo real, considerando a integração de recomendação estática e recomendação dinâmica durante uma sessão de audição. O Query by humming (QBH) é um sistema automático para identificar uma música cantarolada ou cantada em métodos baseados em conteúdo. Adiyansjah et al. utilizou uma abordagem de pesquisa baseada na comparação da similaridade de recursos no sinal de áudio, que pode ser considerada como recomendação musical baseada em conteúdo, onde as recomendações são baseadas na semelhança perceptual com o que foi ouvido anteriormente pelo usuário. Foi usado redes neurais recorrentes convolucionais (CRNNs) para extração de recursos e distância de similaridade para verificar a semelhança entre recursos. O artigo de Kalapatapu et al. apresenta o efeito de quatro técnicas de seleção de recursos na precisão da classificação de quatro classificadores diferentes. Depois que os recursos são extraídos das músicas pré-processadas usando a toolbox MIR, sua eficácia é medida comparando as precisões de quatro algoritmos de classificação tradicionais aplicados apenas aos recursos comumente selecionados. Os quatro algoritmos de classificação usados ​​neste estudo são árvore de decisão C4.5, k-vizinho mais próximo (kNN), rede neural e SupportVector Machines (SVM) e os quatro algoritmos de seleção de recursos usados ​​para experimentos são algoritmo genético, seleção de recurso avançado, ganho de informação, baseado em correlação. No estudo de Jondya e Iswanto, para garantir que o agrupamento gere um bom resultado, um pré-processamento de seleção de recursos é realizado fazendo clustering de 4 segmentos de músicas de 4 províncias diferentes usando 11 conjuntos com um total de 36 recursos recomendados por Giannakopoulos. Onze conjuntos de recursos de domínio de tempo e de frequência são energia, energia de entropia, taxa de cruzamento de zero, centróide espectral, entropia espectral, fluxo espectral, rolloff espectral, coeficiente cepstral de frequência de Mel, harmônico, vetor de croma e zona espectral. Por fim, o sistema proposto por Viloria et al. classifica um conjunto de trilhas de áudio divididas em 5 gêneros. Três características espectrais foram extraídas: Spectral Centroid, Spectral Spread e Spectral Flatness, além de uma característica temporal chamada Zero Crossing Rate. Finalmente, 4 classificadores foram usados: Árvores de Decisão, Análise Discriminante, Máquina de Vetores de Suporte (Gaussiana) e Classificador de Vizinho Mais Próximo. A partir das informações coletadas dos artigos a respeito das técnicas que vêm sendo utilizadas para sistemas de recomendação musical e classificação de gêneros musicais, pode-se ter uma base na hora de selecionar qual o melhor método a ser utilizado para elaborar um novo sistema de recomendação musical. Este estudo foi feito com o intuito de propor futuramente um sistema de recomendação musical para ser usado em musicoterapia para idosos com demência, e o resultado deste trabalho é fruto de estudos que são realizados num grupo de pesquisa do campo da Computação Afetiva.

Downloads

Não há dados estatísticos.

##plugins.themes.bootstrap3.article.details##

Seção
Engenharia da Computação e Sistemas