1 / 19

Large-Scale Music Annotation and Retrieval: Learning to Rank in Joint Semantic Spaces

Large-Scale Music Annotation and Retrieval: Learning to Rank in Joint Semantic Spaces. Jason Weston, Samy Bengio , and Philippe Hamel Google, USA. Journal N ew R esearch Music – 2012 Citado por 3 artigos Alex Amorim Dutra. Sumário.

cruz
Download Presentation

Large-Scale Music Annotation and Retrieval: Learning to Rank in Joint Semantic Spaces

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Large-Scale Music Annotation and Retrieval: Learning to Rank in Joint Semantic Spaces • Jason Weston, SamyBengio, and Philippe Hamel • Google, USA Journal New Research Music – 2012 Citadopor 3 artigos Alex Amorim Dutra

  2. Sumário • Large-Scale Music Annotation and Retrieval: Learning to Rank in Joint Semantic Spaces • Trabalhosrelacionados/Serviços • Vantagens • Algoritmo • Resultados • Conclusões • Referências

  3. Large-Scale Music Annotation and Retrieval • Predição de artistas • Predição de músicas • Artistassimilares • Músicassimilares • Predição de tags: retornaumalista de tags, (e.g. rock, guitar, fast, . . . ).

  4. Trabalhos Relacionados e Serviços • LastFm, Pandora, iTunes • Sugestõesdapróximamúsicaqueirátocar. • Sugestão de artistas dado um conjunto de ratings de artistas, músicas e albuns. • Pesquisaporgenero, estilos, humor.

  5. Vantagens • Aplicadoaomundo real. • Exibiualtasperfomancesemtodastarefaspropostas. • Melhores performances sobre o baseline. • Baixoconsumo de memória.

  6. Fase de treinamento • Encontrarosmelhoresparâmetros. • Minimizar a função: • Utilizou AUC Margin Ranking Loss e WARP Loss.

  7. Emsemble • Como utilizado stochastic gradient descent cadamodeloaprendeparametros com valores um poucodiferentes. • A média das funções:

  8. Algoritmo

  9. Features • Meta dados - Cold start se utilizarsomentefiltragemcolaborativa. • Baseadaemconteúdo: MFCCs (Mel Frequency CepstralCoefficient) e (SAI) Stabilized Auditory Image.

  10. Base de testes • TagATune– Tem um conjunto de clips contendo 30 segundos. Tem anotaçõesassociadas. Coletadoporusuáriosem forma de jogo. • TagATuneusado no MIREX 2009 desafio de classificação de tags. • Para comparaçãoutilizadomesmas tags e bases de treino.

  11. Base de testes

  12. Medida de performance • precision@k number of true positives in the top k position k

  13. Resultados

  14. Resultados

  15. Resultados

  16. Resultados

  17. Conclusões • Otimizandop@kmelhora performance. • Os dados apresentam a distribuição de caudalonga. • O modelo tem respostasrápidas e baixaconsumo de memória.

  18. Referências • Weston, J., Bengio, S., Usunier, N.: Large scale image annotation: Learning to rank with joint word-image embeddings. In: European conference on Machine Learning. (2010) • Robbins, H., Monro, S.: A stochastic approximation method. Annals of Mathematical Statistics 22 (1951) 400–407 • Pampalk, E., Dixon, S., Widmer, G.: On the evaluation of perceptual similarity measures for music. In: Intl. Conf. on Digital Audio Effects. (2003) • Law, E., West, K., Mandel, M., Bay, M., Downie, J.S.: Evaluation of algorithms using games: the case of music tagging. In: Proceedings of the 10th International Conference on Music Information Retrieval (ISMIR). (October 2009) 387–392 • Foote, J.T.: Content-based retrieval of music and audio. In: SPIE. (1997) 138–147

  19. Dúvidas?

More Related