Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP
- Autores
- Fedi, Tomás Valentín
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- Riera, Pablo Ernesto
- Descripción
- La música está presente en muchos momentos de nuestras vidas. Tanto en conciertos como en fiestas, el artista o DJ le presta mucha importancia no solo a las canciones que decide reproducir en estos eventos, sino que también al orden en que lo hace. Por ejemplo, una banda de rock and roll puede querer evitar tocar solo ritmos movidos para que el público no se agote al poco tiempo de iniciado el concierto. En cambio, es probable que decida alternar con otros ritmos más lentos. El mismo razonamiento suele acompañarnos cuando confeccionamos playlists con la ayuda de nuestras plataformas de música favoritas para diferentes situaciones. El criterio a la hora de ordenarla puede variar, pero, por lo general, se busca que los saltos entre canciones sean suaves. En este trabajo, nos preguntamos si es posible automatizar el ordenamiento mediante una herramienta que únicamente conozca el audio de las canciones. También nos preguntamos qué tan similar lo haría en comparación con la subjetividad humana, sin tener registro de nuestros gustos o de otra información disponible. Para la construcción de la misma, experimentamos con métodos de extracción de atributos (MFCCs y modelos de Deep Learning) y con heurísticas para resolver el problema del viajante de comercio (TSP). Propusimos distintas estrategias para evaluar el desempeño de la herramienta. Observamos que, utilizando un modelo y una heurística en particular, se logra una correlación con las listas de reproducción que fueron ordenadas manualmente por humanos.
Music is part of many moments of our lives. Both in concerts and parties, the artist or DJ pays a lot of attention, not only to the songs he decides to play during these events, but also to the order in which he decides to play them. For instance, a Rock and Roll band may want to avoid playing only upbeat rhythms so that the audience does not get exhausted soon after the show starts. Instead, it may decide to alternate with slower rhythms. The same reasoning usually accompanies us when we compile playlists with the help of our favorite music platforms to suit different situations. The ordering criteria may vary, but the jumps between songs are generally intended to be smooth. In this research, the question addressed is whether it is possible to automate this process using a tool that only knows the audio of the songs. We also wonder how similar it would be in comparison to human subjectivity, with no record of our tastes or other available information. To build it, we experimented with attribute extraction methods (MFCCs and Deep Learning models) and with heuristics to solve the traveling salesman problem (TSP). We proposed different strategies to evaluate the performance of the tool. We observed that using a particular model and heuristic, some correlation is achieved with playlists that were manually sorted by humans.
Fil: Fedi, Tomás Valentín. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. - Materia
-
MUSICA
PLAYLIST
ORDEN
SECUENCIAMIENTO
AUDIO
GRAFO
TSP
MUSIC
PLAYLIST
ORDER
SEQUENCING
AUDIO
GRAPH
TSP - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar
- Repositorio
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- seminario:seminario_nCOM000814_Fedi
Ver los metadatos del registro completo
id |
BDUBAFCEN_d3045944c19cce146bddaa9b86ed73b2 |
---|---|
oai_identifier_str |
seminario:seminario_nCOM000814_Fedi |
network_acronym_str |
BDUBAFCEN |
repository_id_str |
1896 |
network_name_str |
Biblioteca Digital (UBA-FCEN) |
spelling |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSPFedi, Tomás ValentínMUSICAPLAYLISTORDENSECUENCIAMIENTOAUDIOGRAFOTSPMUSICPLAYLISTORDERSEQUENCINGAUDIOGRAPHTSPLa música está presente en muchos momentos de nuestras vidas. Tanto en conciertos como en fiestas, el artista o DJ le presta mucha importancia no solo a las canciones que decide reproducir en estos eventos, sino que también al orden en que lo hace. Por ejemplo, una banda de rock and roll puede querer evitar tocar solo ritmos movidos para que el público no se agote al poco tiempo de iniciado el concierto. En cambio, es probable que decida alternar con otros ritmos más lentos. El mismo razonamiento suele acompañarnos cuando confeccionamos playlists con la ayuda de nuestras plataformas de música favoritas para diferentes situaciones. El criterio a la hora de ordenarla puede variar, pero, por lo general, se busca que los saltos entre canciones sean suaves. En este trabajo, nos preguntamos si es posible automatizar el ordenamiento mediante una herramienta que únicamente conozca el audio de las canciones. También nos preguntamos qué tan similar lo haría en comparación con la subjetividad humana, sin tener registro de nuestros gustos o de otra información disponible. Para la construcción de la misma, experimentamos con métodos de extracción de atributos (MFCCs y modelos de Deep Learning) y con heurísticas para resolver el problema del viajante de comercio (TSP). Propusimos distintas estrategias para evaluar el desempeño de la herramienta. Observamos que, utilizando un modelo y una heurística en particular, se logra una correlación con las listas de reproducción que fueron ordenadas manualmente por humanos.Music is part of many moments of our lives. Both in concerts and parties, the artist or DJ pays a lot of attention, not only to the songs he decides to play during these events, but also to the order in which he decides to play them. For instance, a Rock and Roll band may want to avoid playing only upbeat rhythms so that the audience does not get exhausted soon after the show starts. Instead, it may decide to alternate with slower rhythms. The same reasoning usually accompanies us when we compile playlists with the help of our favorite music platforms to suit different situations. The ordering criteria may vary, but the jumps between songs are generally intended to be smooth. In this research, the question addressed is whether it is possible to automate this process using a tool that only knows the audio of the songs. We also wonder how similar it would be in comparison to human subjectivity, with no record of our tastes or other available information. To build it, we experimented with attribute extraction methods (MFCCs and Deep Learning models) and with heuristics to solve the traveling salesman problem (TSP). We proposed different strategies to evaluate the performance of the tool. We observed that using a particular model and heuristic, some correlation is achieved with playlists that were manually sorted by humans.Fil: Fedi, Tomás Valentín. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesRiera, Pablo Ernesto2024-11-22info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000814_Fedispainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:43:37Zseminario:seminario_nCOM000814_FediInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:43:38.276Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse |
dc.title.none.fl_str_mv |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP |
title |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP |
spellingShingle |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP Fedi, Tomás Valentín MUSICA PLAYLIST ORDEN SECUENCIAMIENTO AUDIO GRAFO TSP MUSIC PLAYLIST ORDER SEQUENCING AUDIO GRAPH TSP |
title_short |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP |
title_full |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP |
title_fullStr |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP |
title_full_unstemmed |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP |
title_sort |
Secuenciamiento automático de playlists musicales utilizando modelos auto-supervisados y heurísticas TSP |
dc.creator.none.fl_str_mv |
Fedi, Tomás Valentín |
author |
Fedi, Tomás Valentín |
author_facet |
Fedi, Tomás Valentín |
author_role |
author |
dc.contributor.none.fl_str_mv |
Riera, Pablo Ernesto |
dc.subject.none.fl_str_mv |
MUSICA PLAYLIST ORDEN SECUENCIAMIENTO AUDIO GRAFO TSP MUSIC PLAYLIST ORDER SEQUENCING AUDIO GRAPH TSP |
topic |
MUSICA PLAYLIST ORDEN SECUENCIAMIENTO AUDIO GRAFO TSP MUSIC PLAYLIST ORDER SEQUENCING AUDIO GRAPH TSP |
dc.description.none.fl_txt_mv |
La música está presente en muchos momentos de nuestras vidas. Tanto en conciertos como en fiestas, el artista o DJ le presta mucha importancia no solo a las canciones que decide reproducir en estos eventos, sino que también al orden en que lo hace. Por ejemplo, una banda de rock and roll puede querer evitar tocar solo ritmos movidos para que el público no se agote al poco tiempo de iniciado el concierto. En cambio, es probable que decida alternar con otros ritmos más lentos. El mismo razonamiento suele acompañarnos cuando confeccionamos playlists con la ayuda de nuestras plataformas de música favoritas para diferentes situaciones. El criterio a la hora de ordenarla puede variar, pero, por lo general, se busca que los saltos entre canciones sean suaves. En este trabajo, nos preguntamos si es posible automatizar el ordenamiento mediante una herramienta que únicamente conozca el audio de las canciones. También nos preguntamos qué tan similar lo haría en comparación con la subjetividad humana, sin tener registro de nuestros gustos o de otra información disponible. Para la construcción de la misma, experimentamos con métodos de extracción de atributos (MFCCs y modelos de Deep Learning) y con heurísticas para resolver el problema del viajante de comercio (TSP). Propusimos distintas estrategias para evaluar el desempeño de la herramienta. Observamos que, utilizando un modelo y una heurística en particular, se logra una correlación con las listas de reproducción que fueron ordenadas manualmente por humanos. Music is part of many moments of our lives. Both in concerts and parties, the artist or DJ pays a lot of attention, not only to the songs he decides to play during these events, but also to the order in which he decides to play them. For instance, a Rock and Roll band may want to avoid playing only upbeat rhythms so that the audience does not get exhausted soon after the show starts. Instead, it may decide to alternate with slower rhythms. The same reasoning usually accompanies us when we compile playlists with the help of our favorite music platforms to suit different situations. The ordering criteria may vary, but the jumps between songs are generally intended to be smooth. In this research, the question addressed is whether it is possible to automate this process using a tool that only knows the audio of the songs. We also wonder how similar it would be in comparison to human subjectivity, with no record of our tastes or other available information. To build it, we experimented with attribute extraction methods (MFCCs and Deep Learning models) and with heuristics to solve the traveling salesman problem (TSP). We proposed different strategies to evaluate the performance of the tool. We observed that using a particular model and heuristic, some correlation is achieved with playlists that were manually sorted by humans. Fil: Fedi, Tomás Valentín. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. |
description |
La música está presente en muchos momentos de nuestras vidas. Tanto en conciertos como en fiestas, el artista o DJ le presta mucha importancia no solo a las canciones que decide reproducir en estos eventos, sino que también al orden en que lo hace. Por ejemplo, una banda de rock and roll puede querer evitar tocar solo ritmos movidos para que el público no se agote al poco tiempo de iniciado el concierto. En cambio, es probable que decida alternar con otros ritmos más lentos. El mismo razonamiento suele acompañarnos cuando confeccionamos playlists con la ayuda de nuestras plataformas de música favoritas para diferentes situaciones. El criterio a la hora de ordenarla puede variar, pero, por lo general, se busca que los saltos entre canciones sean suaves. En este trabajo, nos preguntamos si es posible automatizar el ordenamiento mediante una herramienta que únicamente conozca el audio de las canciones. También nos preguntamos qué tan similar lo haría en comparación con la subjetividad humana, sin tener registro de nuestros gustos o de otra información disponible. Para la construcción de la misma, experimentamos con métodos de extracción de atributos (MFCCs y modelos de Deep Learning) y con heurísticas para resolver el problema del viajante de comercio (TSP). Propusimos distintas estrategias para evaluar el desempeño de la herramienta. Observamos que, utilizando un modelo y una heurística en particular, se logra una correlación con las listas de reproducción que fueron ordenadas manualmente por humanos. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-11-22 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
https://hdl.handle.net/20.500.12110/seminario_nCOM000814_Fedi |
url |
https://hdl.handle.net/20.500.12110/seminario_nCOM000814_Fedi |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital (UBA-FCEN) instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales instacron:UBA-FCEN |
reponame_str |
Biblioteca Digital (UBA-FCEN) |
collection |
Biblioteca Digital (UBA-FCEN) |
instname_str |
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
instacron_str |
UBA-FCEN |
institution |
UBA-FCEN |
repository.name.fl_str_mv |
Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
repository.mail.fl_str_mv |
ana@bl.fcen.uba.ar |
_version_ |
1844618756151574528 |
score |
13.070432 |