| عنوان فارسی مقاله: | داده کاوی موسیقی برای پخش موسیقی الکترونیکی |
| عنوان انگلیسی مقاله: | Musical Data Mining for Electronic Music Distribution |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2001 |
| تعداد صفحات مقاله انگلیسی | 6 صفحه |
| تعداد صفحات ترجمه مقاله | 15 صفحه |
| مجله | مهندسی داده و اطلاعات |
| دانشگاه | پاریس |
| کلمات کلیدی | – |
| نشریه IEEE | IEEE |
فهرست مطالب:
چکیده
۱ مقدمه
۲ داده کاوی موسیقی
۱ ۲ برنامه های رادیویی
۲ ۲ پایگاههای داده لیست گیری یا فهرست نویسی از ترک
۳ استخراج تشابهات
۱ ۳ گردآوری اطلاعات
۲ ۳ شناسایی عنوان
۳ ۳ تحلیل هم رخدادی
۴ ارزیابی تشابهات استخراج شده
۱ ۴ آزمایشات
۵ نتیجه گیری
بخشی از ترجمه:
۱ مقدمه
پخش موسیقی الکترونیکی (EMD) با انتقال دیجیتالی موسیقی در شبکه ها سرو کار دارد. آن به خاطر پیشرفت در زمینه تراکم و فشردگی داده ها و مخابرات شبکه، مورد توجه قرار گرفته است. تعداد عناوین موسیقی، با در نظر گرفتن موسیقی غربی به تنهایی، بین صدها میلیون متغیر می باشد. علاوه بر مسائل وابسته به محافظت در برابر کپی و نسخه برداری و مدیریت حق چاپ ، امکان صرف انتقال میلیون ها عنوان موسیقی به راحتی و به شکلی کارآمد موجب بروز مسئله مدیریت محتوا می شود: یعنی نحوه طراحی ابزارهای کارآمد برای دسترسی، بازیابی و کشف عناوین موسیقی؟
یکی از موفق ترین شیوه ها برای این مسئله جستجوی بر مبنای همسانی و تشابه می باشد. این روش جستجو به کاربران امکان یافتن عناوین بر مبنای مثالها بدون موانعی نظیر مسئله عدم تطبیق زبان را می دهد که جستجوهای نمادین صریح با آن مواجه هستند. سه راه برای استخراج شباهتهای موسیقی وجود دارد: شیوه های بر مبنای سیگنال، فیلترینگ (فیلتر کردن) با تشریک مساعی، و داده کاوی.
5. نتیجه گیری
در این مقاله تکنیک های هم رخدادی برای استخراج خودکار تشابه موسیقی بین عناوین یا هنرمندان را معرفی کرده ایم. این تکنیک ماتریس فاصله ای برای مجموعه آیتم های اختیاری حاصل می کند. از آن برای دو منبع موسیقی متفاوت استفاده و آزمایشاتی روی پایگاههای داده هنرمندان و عناوین مختلف اجرا شده است.
این آزمایشات هنوز ادامه دارد، اما نتایج مقدماتی پیرامون پایگاههای داده کوچک نشان می دهد که این تکنیک توانایی استخراج تشابهات بین آیتم ها را دارد ، تحلیل خوشه های حاصله نیز به این مسئله اشاره می کند. تشابهات پایه نظیر دسته های پایه و هنرمند مشترک بازشناسی شده است که این امر اعتبار تکنیک را تائید می کند. توصیف ماهیت یا نوع تشابهات استخراج شده، بیشتر به مهارت نیاز دارد. علاوه بر تشابهات مشترک هنرمند، دو نوع رابطه تشابه اساسی برای CDDB شناسایی گردید: تشابه ریشه ای / دسته ای، و تشابه دوره ( احتمالاً حاصل وفور بهترین نمونه بردارهای سال می باشد).
برای رادیو (FIP) روابط تشابه کاملاً متفاوت می باشد. آزمایشات فعلی روی پایگاه داده 5000 عنوان نشان می دهد که همسانی هنرمند به صورت سیستماتیکی مثل سایر منابع داده اجرا نشده است. به علاوه، تشابهات بیشتر جنبه استعاری دارند و در برخی موارد مشخص نیستند، به همین خاطر اغلب جالب توجه تر می باشند.
بخشی از مقاله انگلیسی:
1 Introduction
Electronic Music Distribution (EMD) concerns thedigital transportation of music through networks. It hasbeen gaining attention for a number of years, due toprogress in data compression and networktelecommunications. The number of musical titles,considering only Western music, ranges in the severalmillions. Besides issues related to copy protection andcopyright management, the mere possibility oftransporting these millions of music titles easily andefficiently raises the issue of content management: how todesign efficient means of accessing, retrieving andexploring music titles?One of the most successful approaches to this issue issimilarity-based search. Similarity-based search allowsusers to find titles based on examples and counterexamples,without the drawbacks like the languagemismatch problem [1] faced by explicit symbolic queries.There are three main ways to extract musical similarities:signal-based approaches, collaborative filtering, and datamining. Signal-based approaches usually extract low-leveldescriptors such as tempo [2], fundamental frequency [3]or segmentation structure [4]. Current projects are devotedto extracting high-level descriptors (e.g. the CuidadoEuropean IST project), with some preliminary results such as rhythm structure extraction [5]. These descriptors usually provide grounded, objective distance functionsthat can be used for similarity-based search. However, thedescriptors are not yet sufficiently sophisticated toprovide similarities at the music title level. Collaborativefiltering techniques [6] are based on the comparison ofuser profiles, and they represent the main technique usedtoday for music recommendation systems (Amazon,AllMusicGuide, etc.). The advantage of collaborativefiltering is that the technique is relatively simple toimplement. The main drawback is that it requires a hugenumber of actual users of a given system to bemeaningful.In this paper we study one particularly efficient means ofextracting similarity for music titles, data mining.Although collaborative filtering may be considered as aparticular form of data mining, it differs from theapproach followed here in that it is based on subjectiveinformation (user’s declared taste or rankings).In this paper we consider techniques that use varioussources of more objective information about music titles.The rest of the paper is organized as follows: in section 2,we describe the background for musical data mining andidentify corpora on which this technique can operate.Section 3 explains in detail the process of extracting titlesand establishing similarity measurements between them.In section 4, we analyse the results of our differenttechniques and compare them with human judgments of similarity between music titles. In section 5, we discussdirections for future work.2 Musical Data MiningThe notion of similarity is a complex one. For music, itis particularly complex because there are numerousdimensions of similarity: objective similarity based onmusical features such as tempo, rhythm, timbre, but alsoless objective features such as musical genre, personalhistory, social context (e.g. music from the 60’s), and apriori knowledge (e.g. the relation between The Beatlesand Paul McCartney).
| عنوان فارسی مقاله: | داده کاوی موسیقی برای پخش موسیقی الکترونیکی |
| عنوان انگلیسی مقاله: | Musical Data Mining for Electronic Music Distribution |