Um modelo para classificação de músicas voltado à plataforma de streaming utilizando aprendizado de métricas e predição estruturada

• Ano de defesa: 2019
• Autor(a) principal: Silva, Angelo Cesar Mendes da
• Orientador(a): Fonseca Neto, Raul
• Banca de defesa: Villela, Saulo Moraes , Xavier, Vinicius Layter
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Aprendizado de métricas; Similaridade de músicas; Predição estruturada; Metric learning; Music similarity
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/11232

No cenário em que uma tomada de decisão pode mudar o comportamento das próximas ações, um algoritmo requer muito poder adaptativo e cognitivo. Por exemplo, pode-se destacar a escolha de uma rota para ir ao trabalho, a compra de um produto via e-commerce, o investimento no mercado financeiro e a seleção de uma playlist usando em plataformas de streaming. O desenvolvimento de modelos para aprender semelhança entre músicas e extração de características de arquivos de mídia de áudio é uma tarefa cada vez mais importante para a indústria de entretenimento devido às dificuldades de obter informações consistentes de metadados. Esse trabalho propõe um novo modelo de classificação musical baseado em aprendizagem de métricas, extração de características de arquivos de áudio MP3 e redução de dimensionalidade. O processo de aprendizagem de métrica considera o aprendizado de um conjunto de distâncias parametrizadas empregando uma abordagem de predição estruturada a partir de um conjunto de músicas distribuídas sobre vários gêneros musicais. O principal objetivo desse trabalho é possibilitar o aprendizado de uma métrica personalizada para cada cliente que foi atingido por meio de duas abordagens, offline e online. Para a solução offline, atesta-se a validade do modelo realizando um conjunto de experimentos e comparando os resultados de treinamento e teste com os algoritmos de linha de base, como k-means e SVM. Os experimentos mostraram resultados promissores e incentivaram o desenvolvimento de uma versão online do modelo de aprendizagem. Com isso, foi feito a solução online que teve como objetivo o aprendizado em tempo real. Por meio de um conjunto de experimentos, fez-se uma avaliação e comparou-se aos resultados obtidos com a versão offline. Os experimentos mostram que a versão online converge em termos de precisão para a solução offline ideal, minimizando o regret médio. O desempenho do modelo de aprendizado possibilita a extensão do trabalho à diversas aplicações além da classificação de músicas.