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
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nCOM000814_Fedi

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