C OMPUTACIÓN A VANZADA PARA M ÚSICA POR O RDENADOR EXPLORING MOOD METADATA: RELATIONSHIPS WINT GENRE, ARTISTS AND USAGE METADATA 1.

Presentación del tema: "C OMPUTACIÓN A VANZADA PARA M ÚSICA POR O RDENADOR EXPLORING MOOD METADATA: RELATIONSHIPS WINT GENRE, ARTISTS AND USAGE METADATA 1."— Transcripción de la presentación:

1 C OMPUTACIÓN A VANZADA PARA M ÚSICA POR O RDENADOR EXPLORING MOOD METADATA: RELATIONSHIPS WINT GENRE, ARTISTS AND USAGE METADATA 1

2 1. Introducción El componente emocional está asociado a la expresividad musical. Muchos estudios identifican moods como criterios para organizar y música. ¿Qué es un mood? Los moods ayudan a clasificar un: un artista un álbum una canción Fuentes de información: allmusicguide.com (AMG) epinions.com last.fm En este articulo se estudia la relación entre: mood-genero mood-artista mood-uso EXPLORING MOOD METADATACAMO 2 Un mood es una palabra o frase que nos ayuda a clasificar la música

3 2. Etiquetas de moods en AMG AMG intenta ser la referencia musical más comprensible del mundo Existen 179 etiquetas mood, definidas como adjetivos, que describen el sonido o el sentimiento de un álbum o una canción. Algunos moods tienen asociados más de 100 álbumes o canciones y otros en cambio apenas tienen 3. Para evitar la falta densidad de algunos moods se proponen 3 conjuntos de datos con los que realizar los experimentos: Dejarlo como esta, con 179 moods se obtienen 7134 pares mood-álbumes y 8288 pares mood-canción. Quedarnos solo con moods que tienen asociados más de 50 álbumes o canciones, se obtienen 2748 pares mood-álbum y 3260 pares mood-canción. Ya que bastantes álbumes y canciones aparecen en varios moods, realizamos clusters de moods, de forma que luego obtendremos pares cluster-canción o cluster-álbum EXPLORING MOOD METADATACAMO 3

4 Como construir Mood clustering Se cogen los 40 moods más populares de las canciones y se genera una matriz 40x40, en la que indicamos en cada celda el numero de canciones que están relacionadas con ambos moods (lo mismo para los álbumes). Ward’s criterion [1], un procedimiento aglomerativo y jerárquico. Se obtienen 2 conjuntos, album-mood y cancion-mood, de los que se extraen los 29 moods más significativos, agrupados en 5 clusters. [1] Berkin, P. Survey of Clustering Data Mining Techniques, Accrue Software, 2002. Resaltar que cada cluster tiene un alto nivel de sinonimia, mientras que entre clusters el nivel de sinonimia es menor. CLUSTER 1 CLUSTER 2 CLUSTER 3 CLUSTER 4 CLUSTER 5 Rowdy Amiable / Good natured LiterateWittyVolatile RousingWistfulHumorousFiery ConfidentSweetBittersweetWhimsicalVisceral BoisterousFunAutumnalWryAggressive PassionateRollickingBroodingCampyTense/anxious CheerfulPoignantQuirkyIntense Silly EXPLORING MOOD METADATACAMO 4

5 3. Muestras y médoto de testeo En los siguientes apartados se va a proceder a analizar la relación entre: Mood y genero Mood y artista Mood y usabilidad Nos vamos a centrar en los datos obtenidos a partir de los álbumes, ya que es la unidad de análisis en epinions.com El análisis se ha realizado con Fisher’s Exact Test [2] (FET), este método permite examinar la asociación/dependencia de 2 variables, en nuestro caso los pares: Mood-genero Mood-artista Mood-usabilidad EXPLORING MOOD METADATACAMO 5 [2] Buntinas, M. and Funk, G.M. Statistics for the Sciences, Brooks/Cole/Duxbuty, 2005. Para cada uno de estas relaciones se realizaran 3 experimentos: Todos los moods Moods mas comunes Clusters

6 4. Moods y géneros (todos los moods) De los 7134 pares, 4564 están alrededor del mood “rock”, así que vamos a hacer 2 subconjuntos de datos uno con el mood “rock” y otro sin él El analisis FET en el subconjunto “rock”, nos devuelve 262 pares con una significancia p<0.05 El analisis FET en el subconjunto “no rock”, nos devuelve 205 pares significativos 170 de esos pares son significativos en ambos subconjuntos envolviendo 17 géneros Conclusiones: Es importante notar que cada genero esta asociado con 10 moods y cada mood está repartido a través de toda la categoría genero. Esto es una evidencia de la independencia de ambos, y que cada proporciona métodos diferentes de acceso a piezas musicales EXPLORING MOOD METADATACAMO GeneroMood# JazzFiery28 FolkEarnest8 6

7 4. Moods y géneros (moods comunes y géneros) Existen 2748 pares, la mayoría alrededor del mood “rock”, nuevamente hacemos 2 subconjuntos de datos uno con el mood “rock” y otro sin él El análisis FET en el subconjunto “rock”, nos devuelve 70 pares con una significancia p<0.05 El análisis FET en el subconjunto “no rock”, nos devuelve 54 pares significativos 41 de esos pares son significativos en ambos conjuntos, envolviendo 16 géneros Conclusiones: Al comparar esta tabla con la anterior observamos que el genero Folk ha cambiado su mood respecto al experimento anterior. Esto es debido a la eliminación de los moods menos populares. Aunque lo parezca, no es contradictorio con lo anterior sino que indica que se debe añadir una dimensión para describir un espacio de moods más general. EXPLORING MOOD METADATACAMO GeneroMood# JazzFiery28 FolkWistfull8 7

8 4. Moods y géneros (moods clusters y géneros) De los 1991 pares cubriendo 20 géneros, nuevamente hacemos 2 subconjuntos de datos uno con el mood “rock” y otro sin él El análisis FET en el subconjunto “rock”, nos devuelve 20 pares con una significancia p<0.05 El análisis FET en el subconjunto “no rock”, nos devuelve 15 pares significativos 14 pares significativos en ambos subconjuntos Conclusiones: El mood “rock” tiene una significancia p<0.001 en cluster4 y cluster5 Significar que el “R&B” y el “Blues” están asociados en el cluster 1, y que “country” y “folk” están asociados en el cluster 3, lo que indica la similitud entre ellos. EXPLORING MOOD METADATACAMO 8 GeneroMood# R & B Cluster 1 71 Jazz Cluster 5 57 Folk Cluster 3 28 Country 24 Blues Cluster 1 20

9 5. Moods y artistas (todos los moods) Se limita el análisis a artistas que tienen como mínimo 10 pares artista-mood, con lo que tenemos 142 artistas y 175 moods, para obtener 2241 pares. El analisis FET de los datos nos devuelve 623 pares con una significancia p<0.05 EXPLORING MOOD METADATACAMO ArtistMood David Bowie Theatrical WireFractured WireCold 9

10 5. Moods y artistas (moods comunes) De los 1142 artistas que hay que hay en nuestro conjunto de datos, solo 29 de ellos aparecen como mínimo en 9 pares, con lo que contamos con 372 pares mood-artsista para nuestro estudio. El analisis FET de los datos nos devuelve 68 pares con una significancia p<0.05 Conclusiones: Como ya hemos visto en el genero es la suma de moods la que le da robustez a un mood general para los artistas En este caso nos aparecen nuevos moods asociados al mismo artista, o incluso aparece un artista que antes no estaba EXPLORING MOOD METADATACAMO ArtistMood David Bowie Theatrical Campy The Kinks Witty 10

11 5. Moods y artistas (moods clusters y artistas) Contiene álbumes de 920 artistas, solo se escogen los que tienen 8 ó más pares, con lo que obtenemos 248 pares para realizar el estudio Conclusiones: Los resultados obtenidos son bastante razonables. Los Beatles y los Beach Boys en el cluster 2. Los artistas situados en el cluster 5, son conocidos por la dificultad de catalogar su estilo. Una vez realizado el análisis FET obtenemos 17 pares con p<0.05 EXPLORING MOOD METADATACAMO 11 ArtistMood# The Kinks Cluster 4 13 Huster Du Cluster 5 12 David Bowie Cluster 4 6 The Beatles Cluster 2 4 The Beach Boys Cluster 2 4

12 6. Moods y usos Al realizar la intersección se obtienen 149 álbumes en ambos conjuntos y 1440 pares en 140 moods. Al realizar el análisis FET se obtienen 64 pares significativos con p<0.05 Para realizar el análisis de los posibles usos, se realiza una intersección entre cada Uno de los 3 conjuntos de moods (todos, populares, clusters) desde “AMG” con “epinions.com”, la cual contiene 2800 álbumes y 5691 combinaciones álbum-uso. 6. Moods y usos (Todos los moods) EXPLORING MOOD METADATACAMO 12 UsageMood# Go to sleep Bittersweet12 DrivingMenacing11 ListeningEpic9 ReadingProvocative7 Go out Party/Celebration5 RomancingDelicate5

13 6. Moods y usos (moods comunes) Al realizar la intersección se obtienen 84 álbumes en ambos conjuntos y 527 pares. El realizar el análisis FET se obtienen 16 pares con 7 usos identificados como significativos p<0.05 EXPLORING MOOD METADATACAMO 13 UsageMood# Go to sleep Bittersweet12 DrivingVisceral7 ListeningTheatrical7 RomancingSensual5 Go out Fun5 ExercisingVolatile3 House clean Sexy2

14 6. Moods y usos (clusters moods y uso) Al realizar la intersección se obtienen 66 álbumes en ambos conjuntos y 358 pares. El realizar el análisis FET se obtienen 6 usos con una relación significativa p<0.05 CONCLUSIONES: Los pares mood-uso, se muestran menos estable que mood-genero y mood-comunes, solo 6 de los 11 usos mantienen una significancia aceptable en el conjunto de clusters. Se piensa que esta inestabilidad es fruto de los términos específicos y frases para definir las actividades de uso EXPLORING MOOD METADATACAMO 14 UsageMood# Go to sleep Cluster 3 44 Driving Cluster 5 20 Hang w/friends Cluster 4 19 Romancing Cluster 3 17 Exercising Cluster 5 13 Go out Cluster 2 6

15 7. Corroboración de los datos Para corroborar los datos obtenidos, se repiten los experimentos anteriores usando last.fm. Last.fm es una colección de música que relaciona álbumes con genero, artistas y uso. 7. Corroboración de mood y género Obtenemos de last.fm 3 conjuntos de datos similares a los obtenidos en AMG, todos, comunes y clusters. EXPLORING MOOD METADATACAMO 15 Una vez aplicado el FET a los datos obtenemos que: 21 de los 28 pares obtenidos en AMG para todos y comunes son también significativos en al menos una muestra de last.fm con p<0.05. 12 de los 14 pares en clusters tienen significancia en last.fm (p<0.05)

16 7. Corroboración de mood y artistas Obtenemos de last.fm 3 conjuntos de datos similares a los obtenidos en AMG, todos, comunes y clusters. 7. Corroboración de mood y uso Obtenemos de last.fm 3 conjuntos de datos basados en top albumes, tracks y artistas con al menos un uso, para todos, comunes y clusters. EXPLORING MOOD METADATACAMO 16 Una vez aplicado el FET a los datos se obtiene: 17 de 22 pares corroboran los datos de los conjuntos todos y comunes (p<0.05). 15 de los 17 clusters corroboran los datos (p<0.05) Una vez aplicado el FET a los datos obtenemos que solamente 3 pares corroboran lo obtenido en AMG. Nuevamente obtenemos que la relación uso-mood no es estable

17 8. Recomendaciones La relación entre uso-mood no es suficientemente estable para garantizar futuras consideraciones. Las relaciones entre artista-mood y género-mood muestran un gran compromiso Esto se ve corroborado en el uso de last.fm. El vocabulario mood es un impedimento para la construcción de un conjunto de uso. En este estudio se ha visto que muchos moods individuales son sinonimos, asi que Reduciendo el tamaños del vocabulario mood se mejora el entendimiento de los moods descritos. EXPLORING MOOD METADATACAMO 17 Se recomienda a los miembros del MIREX que construya un AMC (artist mood clasification) basado en un conjunto mood-space cluster, en lugar de mood individuales. Un escenario automático debe construir el ground-thruth para localizar géneros y artistas en el cluster apropiado. Los conjuntos de entrenamiento deberían construirse bajo la supervisión humana.