Hierarchical Organization and Description of Music Collections at the Artist Level Ιεραρχική Οργάνωση και Περιγραφή Μουσικών Συλλογών σε Επίπεδο Καλλιτέχνη

Elias Pampalk, Arthur Flexer and Gerhard Widmer Austrian Research Institute for Artificial Intelligence, Vienna, Austria Department of Medical Cybernetics and Artificial Intelligence, Center for Brain Research, Vienna University of Medicine, Austria Department of Computational Perception, Johannes Kepler University Linz, Austria. Αυστριακό Ινστιτούτο Ερευνών για την Τεχνητή Νοημοσύνη, του Τμήματος του Πανεπιστημίου Ιατρικής της Βιέννης και συγκεκριμένα της Κυβερνητικής Ιατρικής και Τεχνητής Νοημοσύνης που αποτελεί και Κέντρο Έρευνας του Εγκεφάλου, καθώς επίσης και του Τμήματος Υπολογιστικής Αντίληψης του Πανεπιστημίου Johannes Kepler του Λίντζ στην Αυστρία.

Περιεχόμενα 1.Σκοπός 2.Σχετικές εργασίες 3.Υπολογισμός της ομοιότητας 4.Ιεραρχική ομαδοποίηση (ιεραρχικό clustering) 5.Περιβάλλον διεπαφής χρήστη 6.Επιλογή όρων για την περιγραφή των κόμβων 7.Αποτελέσματα & προβληματισμοί 8.Συμπεράσματα

1. Σκοπός Μουσικές ψηφιακές συλλογές, και η ανάγκη για αυτόματη οργάνωσή τους. Έρευνα για το πώς η ομοιότητα μεταξύ καλλιτεχνών χρησιμοποιείται για την αυτόματη οργάνωσή τους σε επικαλυπτόμενες ιεραρχικές ομάδες.

… Σκοπός Η βασική ιδέα είναι η ανάκτηση των κορυφαίων ιστοσελίδων μετά από αναζήτηση στο Google και η εφαρμογή σε αυτές τεχνικών επεξεργασίας πρότυπου κειμένου. Χρησιμοποιώντας συγκεκριμένους καταλόγους λέξεων, υπολογίζονται οι ομοιότητες των καλλιτεχνών.

2. Σχετικές εργασίες Ανά είδος Ράδιο playlists και των βάσεων δεδομένων του CD σύνταξης για την τεχνική ανάσυρσης δεδομένων Ανάλυση των στίχων μουσικής Κριτικές δίσκων Ανάλυση ηχητικών σημάτων Απλές ιστοσελίδες

3. Υπολογισμός ομοιότητας μεταξύ καλλιτεχνών 224 καλλιτέχνες Πρωτόκολλο αναζήτησης SOAP του Google Αναζήτηση στο Google σαν μια φράση, εντός αγκυλών, με συνοδεία τις λέξεις κλειδιά +music+review π.χ. [Tom Waits +music +review] Ανάκτηση των πενήντα κορυφαίων σελίδων ανά κατάταξη για κάθε καλλιτέχνη Αποκλείονται όλες oι ετικέτες (tag) HTML και λαμβάνεται υπόψη μόνο το απλό κείμενο Κατάλογος αποκλειόμενων λέξεων (stop word list)

…Υπολογισμός ομοιότητας μεταξύ καλλιτεχνών Αποκλείουμε για κάθε καλλιτέχνη τους όρους που δεν εμφανίζονται τουλάχιστον σε 3 ιστοσελίδες για τον ίδιο. Τελικά αποκλείουμε από τη λίστα για όλους τους καλλιτέχνες, τους όρους που δεν εμφανίζονται σε τουλάχιστον 10 ιστοσελίδες. Με συγκεκριμένους μαθηματικούς υπολογισμούς υπολογίζουμε τη βαρύτητα του όρου για κάθε καλλιτέχνη. Με βάση τη συχνότητα εμφάνισης του κάθε όρου για κάθε καλλιτέχνη, υπολογίζουμε την «απόσταση» ανάμεσα σε 2 καλλιτέχνες. Για το σύνολο των 224 καλλιτεχνών (χειροκίνητα καταχωρημένους σε 14 είδη) το οποίο χρησιμοποιούμε στα πειράματά μας, παίρνουμε μια ακρίβεια μετρήσεων 85%.

4. Ιεραρχική ομαδοποίηση (clustering) Το clustering έχει την εξής μορφή:

4/1 Τεχνικές ομαδοποίησης (clustering) O μονοδιάστατος χάρτης με ικανότητα αυτοοργάνωσης (SOM/ self organizing map). Μπορεί να δομηθεί ιεραρχικά (SOM/ self organizing map). Ομαδοποιεί παρόμοια αντικείμενα σε ομάδες (clusters) και τοποθετεί παρόμοιες ομάδες (clusters) τη μία κοντά στην άλλη.

5. Περιβάλλον διεπαφής χρήστη Απλό περιβάλλον διεπαφής χρήστη HTML δύο μέρη Οι ομάδες του πρώτου επιπέδου στην ιεραρχία οπτικοποιούνται με τη χρήση πέντε κουτιών στην πρώτη (κορυφαία) σειρά.. Ο αριθμός των καλλιτεχνών που είναι χαρτογραφημένοι σε μία ομάδα οπτικοποιείται μέσω μίας μπάρας δίπλα από την ομάδα όρων. alk/wa/ alk/wa/

6. Επιλογή όρων για την περιγραφή των κόμβων Ο στόχος είναι να γίνει επιλογή λέξεων οι οποίες να συνοψίζουν με τον καλύτερο τρόπο τα χαρακτηριστικά μιας ομάδας καλλιτεχνών. Υποθέσεις: 1.Οι καλλιτέχνες είναι κατά βάση άγνωστοι στον χρήστη. 2. Δεν είναι γνωστό επίσης ποιους καλλιτέχνες γνωρίζει ο χρήστης. 3. Τρίτον, ο χώρος είναι περιορισμένος και έτσι ο κάθε κόμβος πρέπει να περιγραφεί με όσο το δυνατόν λιγότερες λέξεις.

…Επιλογή όρων για την περιγραφή των κόμβων …Επιλογή όρων για την περιγραφή των κόμβων Στα εν λόγω πειράματα γίνεται σύγκριση πέντε τεχνικών επιλογής όρων και είναι οι εξής: 1.tf x idf 2.LabelSOM 3.χ² 4.Lagus και Kaski 5.χ² Lagus και Kaski (LK) Οι τρεις τελευταίες θεωρούνται και οι πιο αποτελεσματικές.

6/1. Λεξικό ειδικού πεδίου Γίνεται χρήση λεξικού ώστε να αποφευχθεί η περιγραφή των ομάδων, με ονόματα καλλιτεχνών, δίσκων και άλλων εξειδικευμένων λέξεων που είναι πολύ πιθανό να είναι άγνωστες στον χρήστη. Περιέχει γενικές λέξεις που χρησιμοποιούνται για την περιγραφή της μουσικής, όπως τα ονόματα των ειδών της. Περιλαμβάνει λήμματα, 1269 από τα οποία εμφανίζονται σε σχετικά τεκμήρια.

…Λεξικό ειδικού πεδίου …Λεξικό ειδικού πεδίου Συντάχθηκε χειροκίνητα από τους συγγραφείς αντιγράφοντας καταλόγους από διάφορες πηγές όπως η Wikipedia, η μηχανή αναζήτησης Yahoo, το allmusic.com και άλλες πηγές που περιλάμβαναν είδη μουσικής (και υποείδη), μουσικά όργανα ή επιθετικούς προσδιορισμούς. Απέχει πολύ από το να θεωρηθεί πλήρες και περιέχει όρους που θα έπρεπε να απομακρυνθούν (π.χ. world, uk, band και song). Δεν τροποποιήθηκε, ωστόσο, με στόχο την καλύτερη κατανόηση των πιθανών μειονεκτημάτων.

6. Αποτελέσματα & προβληματισμοί Η συγκεκριμένη προσέγγιση βασίζεται σε ονόματα καλλιτεχνών. Πολλοί καινούργιοι και όχι και τόσο γνωστοί καλλιτέχνες δεν εμφανίζονται σε ιστοσελίδες. Η δυναμική των περιεχομένων του δικτύου. Σημαντικές αλλαγές στις ιεραρχήσεις που δίνει το Google, αλλά αυτές δεν είχαν σημαντική επίδραση ως προς τον υπολογισμό των ομοιοτήτων.

7. Συμπεράσματα Σε αυτήν τη μελέτη παρουσιάστηκαν κάποιες εκδοχές για την ιεραρχική οργάνωση σε επίπεδο καλλιτέχνη. Συγκεκριμένα προτάθηκε η χρήση ιεραρχικής ομαδοποίησης με επικαλυπτόμενες ομάδες (clusters) που περιγράφονται με τη χρήση ειδικού λεξικού. Τα αποτελέσματα είναι πολλά υποσχόμενα. Μελλοντικά έχουν ως στόχο να διεξάγουν μικρής έκτασης μελέτες χρηστών για το συνδυασμό αυτής της προσέγγισης με άλλες οι οποίες βασίζονται στην ανάλυση ηχητικού σήματος.

Ευχαριστώ για την προσοχή σας! Πεπόνη Νικολέττα