{"title":"亚马逊音乐类型的自动分类模型","authors":"D. Silva, Lucas Zampar, F. Rodrigues, C. Gomes","doi":"10.5753/sbcm.2021.19453","DOIUrl":null,"url":null,"abstract":"A globalização afeta a preferência musical da sociedade atual, que apresenta continua estima por ou gêneros musicais internacionais em detrimento aos nacionais ou locais. A música é dos meios de comunicação utilizados para a construção e organização da estrutura social influenciando o estilo de vida, gostos e convivência interpessoal. Portanto, cada manifestação de gênero musical apresenta função distinta para um ouvinte, como por exemplo, para dançar, festejar, descançar, ajudar na solidão, na tristeza etc. Diversos aplicativos como spotify e soundcloud, utilizam-se de classificadores de gêneros musicais para indicar, prever ou sugerir novas músicas para seus ouvintes. Por diversos motivos, a maioria dos classificadores não possui informações de gêneros musicais regionais. Este trabalho propõem um modelo de classificação automático de gêneros musicais populares amazônicos. Inicialmente, confeccionou-se uma base de dados contendo os gêneros musicais: andino, brega, carimbó, cúmbia, marabaixo, pasillo, salsa e vaqueirada, oriundos da região da Amazônia Legal dos países: Brasil, Guiana Francesa, Venezuela, Colômbia, Equador, Bolívia e Peru. Para a construção da base de dados, extraiu-se diversas características de cada música ao total de 64 parâmetros. Analisou-se os modelos de aprendizado de máquina na qual XGB, KNN, SVM e MLP obtiveram acurácia de 67.62%, 74.12%, 71.35%, 76.13%, respectivamente.","PeriodicalId":292360,"journal":{"name":"Anais do XVIII Simpósio Brasileiro de Computação Musical (SBCM 2021)","volume":"23 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2021-10-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Modelo automático de classificação de gêneros musicais amazônicos\",\"authors\":\"D. Silva, Lucas Zampar, F. Rodrigues, C. Gomes\",\"doi\":\"10.5753/sbcm.2021.19453\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"A globalização afeta a preferência musical da sociedade atual, que apresenta continua estima por ou gêneros musicais internacionais em detrimento aos nacionais ou locais. A música é dos meios de comunicação utilizados para a construção e organização da estrutura social influenciando o estilo de vida, gostos e convivência interpessoal. Portanto, cada manifestação de gênero musical apresenta função distinta para um ouvinte, como por exemplo, para dançar, festejar, descançar, ajudar na solidão, na tristeza etc. Diversos aplicativos como spotify e soundcloud, utilizam-se de classificadores de gêneros musicais para indicar, prever ou sugerir novas músicas para seus ouvintes. Por diversos motivos, a maioria dos classificadores não possui informações de gêneros musicais regionais. Este trabalho propõem um modelo de classificação automático de gêneros musicais populares amazônicos. Inicialmente, confeccionou-se uma base de dados contendo os gêneros musicais: andino, brega, carimbó, cúmbia, marabaixo, pasillo, salsa e vaqueirada, oriundos da região da Amazônia Legal dos países: Brasil, Guiana Francesa, Venezuela, Colômbia, Equador, Bolívia e Peru. Para a construção da base de dados, extraiu-se diversas características de cada música ao total de 64 parâmetros. Analisou-se os modelos de aprendizado de máquina na qual XGB, KNN, SVM e MLP obtiveram acurácia de 67.62%, 74.12%, 71.35%, 76.13%, respectivamente.\",\"PeriodicalId\":292360,\"journal\":{\"name\":\"Anais do XVIII Simpósio Brasileiro de Computação Musical (SBCM 2021)\",\"volume\":\"23 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2021-10-24\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Anais do XVIII Simpósio Brasileiro de Computação Musical (SBCM 2021)\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.5753/sbcm.2021.19453\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais do XVIII Simpósio Brasileiro de Computação Musical (SBCM 2021)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.5753/sbcm.2021.19453","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Modelo automático de classificação de gêneros musicais amazônicos
A globalização afeta a preferência musical da sociedade atual, que apresenta continua estima por ou gêneros musicais internacionais em detrimento aos nacionais ou locais. A música é dos meios de comunicação utilizados para a construção e organização da estrutura social influenciando o estilo de vida, gostos e convivência interpessoal. Portanto, cada manifestação de gênero musical apresenta função distinta para um ouvinte, como por exemplo, para dançar, festejar, descançar, ajudar na solidão, na tristeza etc. Diversos aplicativos como spotify e soundcloud, utilizam-se de classificadores de gêneros musicais para indicar, prever ou sugerir novas músicas para seus ouvintes. Por diversos motivos, a maioria dos classificadores não possui informações de gêneros musicais regionais. Este trabalho propõem um modelo de classificação automático de gêneros musicais populares amazônicos. Inicialmente, confeccionou-se uma base de dados contendo os gêneros musicais: andino, brega, carimbó, cúmbia, marabaixo, pasillo, salsa e vaqueirada, oriundos da região da Amazônia Legal dos países: Brasil, Guiana Francesa, Venezuela, Colômbia, Equador, Bolívia e Peru. Para a construção da base de dados, extraiu-se diversas características de cada música ao total de 64 parâmetros. Analisou-se os modelos de aprendizado de máquina na qual XGB, KNN, SVM e MLP obtiveram acurácia de 67.62%, 74.12%, 71.35%, 76.13%, respectivamente.