Geri Dön

Akustik özellikler kullanan müzik öneri sistemi

Music recommendation system using acoustic features

  1. Tez No: 636245
  2. Yazar: AHMET ELBİR
  3. Danışmanlar: PROF. DR. NİZAMETTİN AYDIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 132

Özet

İnternetin yaygın kullanımı nedeniyle, her türden veriye erişen cihazlarla internete erişmek çok daha kolay ve ekonomik hale gelmiştir ve bu da çoklu ortam uygulamaları için yeni gelişmelere yol açmıştır. Bu gelişmeler son kullanıcı, eser sahibi ve müzik yayını yapan platformlar için yeni gereksinimler ortaya çıkarmaktadır. Müzik türü sınıflandırma, müzik önerisi ve müzik benzerliği bu gereksinimlerin bazılarıdır. Müzik yayını yapan platformlar ve uygulamalar kullanıcılarına daha fazla müzik satışı yapmak ve platformlarının yaygınlıklarını artırmak için müzik öneri sistemlerine gereksinim duymaktadırlar. Bu gereksinimi karşılayabilmek için; kullanıcının müzik dinleme geçmişi ile birlikte sanatçı adı ve müzik türü gibi bazı üst-veriler kullanılmaktadır. Müzikle kıyaslandığında; sayısal müzik sistemlerinin müziğe nispeten daha yeni hayatımıza girmesi sebebiyle, sayısal müzik sistemlerinin ortaya çıkmasından önce var olan müziklere ait üst veriler yoktur. Hatta, bazı güncel sayısal müzikler için bile üst-veriler mevcut olmayabilir. Bu tür durumda, müzik türü sınıflandırması ve müzik önerisi için müziğin akustik özellikleri kullanılabilir. Ayrıca, bu yaklaşım üst verisi olan müziklerin sınıflandırılmasında ve sonuçların iyileştirilmesi için ek bir özellik olarak da kullanılabilir. Bu tez çalışması kapsamında müzik önerisi, müzik benzerliği ve müzik türü sınıflandırma problemlerinde kullanmak için müzikten akustik özelliklerin çıkarılması gerçekleştirilmiştir. Bu bağlamda sayısal işaret işleme, makine öğrenmesi ve derin öğrenme yöntemleri kullanılmıştır. Sayısal işaret işleme açısından, zaman - frekans analizi yöntemleri ve bu yöntemlerde kullanılan parametrelerin müzik türü sınıflandırma başarısına etkisi araştırılmıştır. Sınıflandırma başarısına anlamlı bir katkının olup olmadığını gözlemlemek için dalgacık dönüşümü teknikleri sayısal işaret işleme başlığı kapsamında ayrıca incelenmiştir. Diğer yandan, kullanımı gittikçe yaygınlaşan derin öğrenme yöntemleri akustik özellik çıkarımı ve müzik türü sınıflandırma amacıyla araştırılmış ve bu amaçla farklı evrişimsel sinir ağları tasarlanmıştır. Aynı türden müziğin tespit edilmesi akustik özellikler kullanan müzik önerisi sistemi için ölçüt olarak kullanılmıştır. Bu ölçüte göre önerilen yöntemlerin başarımları karşılaştırılmıştır. Derin öğrenme yöntemleri ile elde edilen sonuçların geleneksel sayısal işaret işleme yöntemlerine göre daha başarılı olduğu gözlemlenmiştir. Bu çalışmada Turkcell tarafından Fizy uygulamasına eklenecek olan akustik öneri motorunun teorik ve uygulamalı altyapısı geliştirilmiştir. Önerilen model tabanlı sınıflandırma sistemi, etiketsiz (ya da üst verisi bulunmayan) veriler üzerinde kullanılarak girdi olarak verilen bir müziğe benzer müzikleri tavsiye edebilmektedir.

Özet (Çeviri)

Due to widespread use of the Internet, to access the Internet through devices that access data of any kind has become much easier and more economical, which has lead to new developments for multimedia applications. These developments engender new requirements for end user, author and music streaming platforms. Music genre classification, music recommendation and music similarity are some of these requirements. Music streaming platforms and apps call for music recommendation systems to sell more music to their users and to enhance the prevalence of their platforms. In order to meet these requirements; as well as the user's music history, some meta-data such as artist's name and genre are used. Due to the fact that the digital music systems are relatively new in our lives compared to music, meta-data about music existing before the advent of digital music systems do not exist. Even meta-data for some contemporary digital music may not be available. In this case, acoustic features of music can be used for music genre classification and music recommendation. This approach can also be used as an additional feature to classify music with metadata and to improve the results. Within the scope of this thesis, acoustic features have been extracted from the music in order to use in music recommendation, music similarity and music type classification problems. In this context, digital signal processing, machine learning and deep learning methods have been employed. In terms of digital signal processing, time - frequency analysis techniques have been investigated and the effects of the parameters used in these techniques over the music genre classification performance have been examined. In order to observe whether there is a significant improvement over classification performance, wavelet transform techniques have been studied separately within the scope of digital signal processing. On the other hand, deep learning methods, which are becoming more and more popular, have been studied for acoustic feature extraction and classification of music, and different convolutional neural networks have been designed for this purpose. Recognition of the same genre of the music has been used as a criterion for the music recommendation system that uses acoustic features. The performances of the proposed methods have been compared according to this criteria. It has been observed that the results obtained by deep learning methods are more successful than conventional digital signal processing methods. In this study, the theoretical and applied infrastructure of the acoustic recommendation engine, which will be added to the Fizy application by Turkcell, has been developed. By using unlabeled data (or without using meta-data), the proposed model-based classification system can recommend musics that are similar to a music given as input.

Benzer Tezler

  1. The sounds of political actions in the streets of Istanbul

    İstanbul sokaklarında politik eylem sesleri

    EMİNE ŞİRİN ÖZGÜN

    Doktora

    İngilizce

    İngilizce

    2012

    Müzikİstanbul Teknik Üniversitesi

    Müzik Ana Bilim Dalı

    PROF. Ş. ŞEHVAR BEŞİROĞLU

    DOÇ. DR. ROBERT REİGLE

  2. Constructing terminology for musical timbre: A semantic mapping of acoustic features in Turkish language

    Ses tınısı için bir terminoloji oluşturmak: Anlambilimsel ve akustik özellikler arasında bir haritalandırma çalışması

    EZGİ SU ÖRÜN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Müzikİstanbul Teknik Üniversitesi

    Müzik Ana Bilim Dalı

    DOÇ. DR. TAYLAN ÖZDEMİR

  3. Exploring hand interfaces within new digital musical instruments research

    El arayüzlerinin yeni sayısal müzik çalgıları kapsamında incelenmesi

    SAİR SİNAN KESTELLİ

    Doktora

    İngilizce

    İngilizce

    2019

    Eğitim ve Öğretimİstanbul Teknik Üniversitesi

    Müzik Ana Bilim Dalı

    PROF. DR. CAN KARADOĞAN

    DR. REUBEN DELAUTOUR

  4. Yansışım süresi farklılıklarının değerlendirilmesi: fMRI çalışması

    Evaluation of reverberation time differences: fMRI study

    SUAT VERGİLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    MüzikDokuz Eylül Üniversitesi

    Müzik Bilimleri Ana Bilim Dalı

    PROF. DR. FIRAT KUTLUK

  5. Deep neural networks algorithms for acoustic drone detection

    Akustik drone tespiti için derin sinir ağları algoritmaları

    HUSSAM KANAAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiEskişehir Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TANSU FİLİK