A music search engine based on a contextual related semantic model

During the past years, the advent of digital audio content has drastically increased the size of available music collections. Music streaming services provide a huge amount of music content to users, much more than they can concretely listen to in an entire lifetime. Classical meta-information, such as the artist and the title of songs, have been used for years. Today they are not enough to navigate such vast collections. Therefore, it is important to develop speci c approaches that allow high-level music content description. Music Information Retrieval (MIR) is the research eld that deals with the retrieval of useful information from music content. Information can provide di erent levels of abstraction, from a higher level to a lower level. In this work we propose an approach for music high-level description and music retrieval, that we named Contextual-related semantic model. Classical semantic representation models such as ontologies only provide categorical approaches for de ning relations (e.g. happy is synonym for joyful, happy is antonym for sad). On the other hand, actual dimensional description models map on a unique semantic space also concepts that are not in a semantic relation. Our method de nes di erent semantic contexts and dimensional semantic relations between music descriptors belonging to the same context. Our model has been integrated in Janas[1], a music search engine based on semantic textual queries. In order to test the scalability of our model, we implemented an automatic content-based method to expand the dataset. The retrieval performances of our model have been compared with two other approaches: the one originally used by Janas, that combines emotional and non-emotional description of music, and the Latent Semantic Indexing approach [2], a very common model for music recommendation applications. The system has been tested by 30 subjects. The obtained results are promising and our Contextual-related semantic model outperformed the other approaches.

Negli ultimi anni l'introduzione di contenuti audio digitali ha cambiato drasticamente le dimensioni delle librerie musicali. Diversi servizi di streaming. musicale forniscono enormi quantit a di contenuti musicali all'utente, molto pi u grandi di quanto potrebbe realmente ascoltare nell'arco della sua vita. In ambito musicale per anni sono state utilizzate delle meta-informazioni classiche, come l'artista o il titolo di una canzone. Oggi tutto ci o non e pi u abbastanza per navigare librerie cos vaste. E' importante quindi sviluppare degli approcci speci ci che consentano una descrizione di alto livello del contenuto musicale. Il Music Information Retrieval (MIR) e l'ambito di ricerca si occupa di recuperare informazioni utili a partire dal contenuto musicale. In questa tesi proponiamo un approccio per la descrizione musicale di alto livello, che abbiamo chiamato Contextual-related semantic model. I modelli di rappresentazione classici, come ad esempio le ontologie, forniscono solamente un approccio categorico per de nire delle relazioni semantiche (e.g. contento e sinonimo di felice, contento e contrario di triste). D'altro canto, i modelli di rappresentazione di tipo dimensionale mappano su un unico piano semantico anche concetti che non sono in relazione semantica fra loro. Il nostro metodo de nisce dei contesti semantici e delle relazioni semantiche dimensionali tra descrittori musicali che appartengono allo stesso contesto. Il nostro modello e stato integrato in Janas[1], un motore di ricerca basato su query semantiche testuali. Inoltre, abbiamo implementato un metodo content-based automatico per espandere il dataset e per veri care la scalabit a del nostro modello. Le prestazioni del nostro modello sono state confrontate con quelle di due altri approcci: quello originariamente utilizzato da Janas, che combina una descrizione emotiva con una descrizione non emotiva, ed un approccio di tipo Latent Semantic Indexing [2], un modello molto comune per applicazioni di raccomandazione musicale. Il sistema e stato testato da 30 soggetti. I risultati ottenuti sono promettenti e il nostro Contextual-related semantic model ha ottenuto prestazioni migliori rispetto agli altri approcci.