數位音樂典藏之資料探勘與智慧型檢索技術

出自 TELDAP
前往: 導覽搜尋

簡介

94年度

  • 計畫的研究重點為利用音樂探勘技術,研究數位音樂典藏中的智慧型擷取技術。數位音樂典藏的擷取方式包括以後設資料(metadata)查詢、音樂內容擷取,音樂曲風查詢,相關回饋,音樂瀏覽與個人化音樂推薦等,以有助於使用者方便地擷取典藏的數位音樂。在本計畫中,主要目的為研究利用音樂探勘中的音樂樣式探勘將音樂分段,以發展音樂瀏覽(Music Browsing)技術。
  • 音樂分段在研究音樂分析相關的領域是很重要的研究題目。音樂的分段可以提供作音樂結構分析、音樂瀏覽、音樂內容查詢與音樂摘要等應用。本計劃的研究目的就是對音樂作自動分段,以幫助使用者能快速瀏覽音樂的內容。因此針對音樂的主題作主題式的分段。音樂的主題是取決於作曲者的動機,動機是構成音樂主題的基本因素。為了能夠以主題為基礎作音樂分段,必須找出決定音樂主題的因素。動機會有規則性的出現在整首音樂當中,所以可以利用動機出現的規則來探勘音樂的動機。

95年度

  • 將研究利用音樂探勘中的使用者概念學習(User's Concept Learning)在相關回饋上,發展以內容主的音樂查詢(Content-based Music Retrieval)技術。傳統的音樂檢索系統主要在提供使用者特定音樂的查詢(target search)。除此之外,使用者也有類型音樂查詢(category search)的需求。在類型音樂查詢中,該類型的所有音都共同具備使用者所定義的概念(semantic concept)。這個由使用者定義的概念在音樂檢索系統上是主觀的且動態產生的。換句話說,同一使用者在不同情境之下對於同一首音樂可能產生不同的解讀概念。
  • 為了動態擷取使用者的概念,讓使用者參與在查詢過程的互動機制是必要的。因此, 提出將相關回饋(relevance feedback)的機制運用在以內容為主的音樂查詢系統上,讓系統從使用者的相關回饋中學習使用者的概念,並利用這學習出的概念來幫助音樂查詢。由於使用者可能從整首音樂或音樂片段兩種角度來判斷該音樂是否具備使用者定義的概念。因此,提出用以片段為主的音樂模型(segment-based modeling approach)將音樂表示成音樂片段的集合。進一步再從整首音樂和片段中擷取特徵。其次,我們針對該問題提出相關演算法來探勘使用者的概念。該演算法先從相關和不相關的音樂資料庫中個別探勘常見樣式,再利用這些樣式建立分類器以區分音樂的相關性。ii最後,我們分析各種系統回饋機制對搜尋效果的影響。 Most-positive回傳機制會選擇根據目前系統判斷為最相關的物件。Most-informative機制則是回傳系統無法判斷其相關性的音樂物件。Most-informative機制的目的在增加每回合系統從使用者身上得到的資訊量。Hybrid則是中和前兩種機制的優點。本研究模擬並比較各種回傳機制的效能。實驗結果顯示相關回饋機制確實能提升查詢的效果。


計畫主持人

沈錳坤


執行時間

  • 數位音樂典藏之資料探勘與智慧型檢索技術
2005年3月~2006年2月
  • 數位音樂典藏之資料探勘與智慧型檢索技術(II)
2006年3月~2007年2月


執行單位

國立政治大學資訊科學系


參考資料