Le piattaforme di streaming musicale hanno cambiato il modo in cui le persone ascoltano la musica. Oggi, possiamo accedere a milioni di canzoni con un semplice dispositivo connesso a Internet. Lo svantaggio ਠche la selezione delle canzoni da ascoltare risulta essere un processo lungo e noioso. Questo ਠil motivo per cui, oggigiorno, scegliamo le playlist al posto delle singole canzoni. Sfortunatamente, visto che ci sono anche centinaia di playlist, il processo di selezione puಠrisultare ancora una volta lungo e noioso. In questo lavoro di ricerca ਠstato progettato un sistema per facilitare le attività  di ascolto e di scoperta di nuova musica. Il sistema genera automaticamente playlist musicali personalizzate e sensibili all'orario di ascolto, e propone una singola playlist da riprodurre quando l'utente accede a una piattaforma musicale. Il sistema apprende le abitudini di ascolto dell'utente analizzando le caratteristiche audio delle canzoni che ha ascoltato recentemente e utilizzando due differenti algoritmi di clustering. Questi dati vengono successivamente utilizzati da un metodo innovativo per creare una playlist che espande la conoscenza musicale dell'utente, tenendo a mente che una buona playlist deve contenere sia canzoni e artisti già  noti all'utente ma anche canzoni e artisti a lui/lei sconosciuti. Un'implementazione basata sulle API di Spotify ha dimostrato l'efficacia dell'approccio e ha mostrato che la proposta potrebbe apportare benefici sia agli utenti (niente pi๠tempo perso per selezionare le tracce da riprodurre) che alle piattaforme musicali (riproduzione di musica che altrimenti rimarrebbe sconosciuta agli utenti).

Ready-mix: un algoritmo per la generazione automatica di playlist musicali personalizzate e sensibili al fattore tempo

-
2018

Abstract

Le piattaforme di streaming musicale hanno cambiato il modo in cui le persone ascoltano la musica. Oggi, possiamo accedere a milioni di canzoni con un semplice dispositivo connesso a Internet. Lo svantaggio ਠche la selezione delle canzoni da ascoltare risulta essere un processo lungo e noioso. Questo ਠil motivo per cui, oggigiorno, scegliamo le playlist al posto delle singole canzoni. Sfortunatamente, visto che ci sono anche centinaia di playlist, il processo di selezione puಠrisultare ancora una volta lungo e noioso. In questo lavoro di ricerca ਠstato progettato un sistema per facilitare le attività  di ascolto e di scoperta di nuova musica. Il sistema genera automaticamente playlist musicali personalizzate e sensibili all'orario di ascolto, e propone una singola playlist da riprodurre quando l'utente accede a una piattaforma musicale. Il sistema apprende le abitudini di ascolto dell'utente analizzando le caratteristiche audio delle canzoni che ha ascoltato recentemente e utilizzando due differenti algoritmi di clustering. Questi dati vengono successivamente utilizzati da un metodo innovativo per creare una playlist che espande la conoscenza musicale dell'utente, tenendo a mente che una buona playlist deve contenere sia canzoni e artisti già  noti all'utente ma anche canzoni e artisti a lui/lei sconosciuti. Un'implementazione basata sulle API di Spotify ha dimostrato l'efficacia dell'approccio e ha mostrato che la proposta potrebbe apportare benefici sia agli utenti (niente pi๠tempo perso per selezionare le tracce da riprodurre) che alle piattaforme musicali (riproduzione di musica che altrimenti rimarrebbe sconosciuta agli utenti).
2018
it
Dipartimento di Comunicazione ed Economia
Università degli Studi di Modena e Reggio Emilia
File in questo prodotto:
File Dimensione Formato  
Ready_mix_un_algoritmo_per_la_generazione_automatica_di_playlist_musicali_personalizzate_e_sensibili_al_fattore_tempo.pdf

non disponibili

Tipologia: Altro materiale allegato
Licenza: Tutti i diritti riservati
Dimensione 2.14 MB
Formato Adobe PDF
2.14 MB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14242/302950
Il codice NBN di questa tesi è URN:NBN:IT:UNIMORE-302950