Curated music collection is a growing field as a result of the freedom and supply that streaming music services like Spotify provide us with. To be able to categorize music tracks based on subjective core values in a scalable manner, this thesis has explored if recommending such labels are possible through machine learning. When analysing 2464 tracks with one or more of the 22 different core values a profile was built up for each track by features from three different categories: editorial, cultural and acoustic. When classifying the tracks into core values different methods of multi-label classification were explored. By combining five different transformation approaches with three base classifiers and using two algorithm adaptations a total of 17 different configurations were constructed. The different configu- rations were evaluated with multiple measurements including (but not limited to) Hamming Loss, Ranking Loss, One error, F1 score, exact match and both training and testing time. The results showed that the problem transformation algorithm Label Powerset together with Sequential minimal optimization outper- formed the other configurations. We also found promising results for neural networks, something that should be investigated further in the future. / Kurerade musiksamlingar är ett växande område som en direkt följd av den frihet som strömmande musiktjänster som Spotify ger oss. För att kunna kategorisera låtar baserade på subjektiva värderingar på ett skalbart sätt har denna avhandling undersökt om rekommendationer av sådana etiketter är möjliga genom maskininlärning. När 2464 spår med ett eller flera av 22 olika kärnvärden analyserades byggdes en profil för varje spår upp av attribut från tre olika kategorier: redaktionella, kulturella och akustiska. Vid klassificering av spåren undersöktes flera olika metoder för fleretikettsklassificering. Genom att kombinera fem olika transformationsmetoder med tre bas-klassificerare och använda två algoritm-anpassningar konstruerades totalt 17 olika konfigurationer. De olika konfigurationerna utvärderades med flera olika mätvärden, inkluderat (men inte begränsat till) Hamming Loss, Ranking Loss, One error, F1 score, exakt matchning och både träningstid och testningstid. Resultaten visade att transformationsalgoritmen ”Label Powerset” tillsammans med Sekventiell Minimal Optimering utklassade de andra konfigurationerna. Vi fann också lovande resultat för artificiella neuronnät, något som bör undersökas ytterligare i framtiden.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-199278 |
| Date | January 2016 |
| Creators | Brodin, Johan |
| Publisher | KTH, Skolan för datavetenskap och kommunikation (CSC) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0042 seconds