{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5320936"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5320936","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ταξινόμηση Μουσικής Διάθεσης με Βάση Τεχνικές Ομαδοποίησης και Βαθιάς Μάθησης","abstract":"Η Αναγνώριση Συναισθημάτων στη Μουσική (Music Emotion Recognition - MER) αποτελεί μία από τις κύριες προκλήσεις στην Ανάκτηση Πληροφοριών Μουσικής (Music Information Retrieval - MIR) λόγω της ετερογένειας των συνόλων δεδομένων και του σημασιολογικού χάσματος μεταξύ της ανθρώπινης αντίληψης κατηγορικών ετικετών (π.χ., ”μελαγχολικό”, ”ενεργητικό”) και των ακουστικών χαρακτηριστικών των υποκείμενων διαστασιακών ανα- παραστάσεων (π.χ., ευχαρίστηση-διέγερση). Η παρούσα διπλωματική εργασία περιγράφει μία ολοκληρωμένη διαδικασία για τη μεί- ωση του απαιτητικού προβλήματος πολυετικετικής ταξινόμησης σε ένα διαχειρίσιμο και σημασιολογικά συνεκτικό έργο μονοετικετικής ταξινόμησης. Η μεθοδολογία αρχικά εντο- πίζει εγγενή μουσικά δομικά πρότυπα στο σύνολο δεδομένων MTG-Jamendo χρησιμο- ποιώντας μη επιβλεπόμενο clustering σε χαμηλού επιπέδου ακουστικά χαρακτηριστικά των ηχητικών κομματιών. Η έρευνα γεφυρώνει τους τομείς της MIR, της συναισθηματικής υπολογιστικής και της αλληλεπίδρασης ανθρώπου-υπολογιστή δημιουργώντας ένα νέο, απλοποιημένο σύνολο ερμηνεύσιμων κατηγοριών διάθεσης με τη βοήθεια Μεγάλων Μο- ντέλων Γλώσσας (Large Language Models - LLMs) για την παραγωγή κατηγοριών που είναι τόσο ακουστικά μοναδικές όσο και σημασιολογικά σημαντικές. Για την επικύρωση αυ- τής της μεθόδου, δημιουργείται ένα σύστημα διπλής αρχιτεκτονικής που περιλαμβάνει ένα προεκπαιδευμένο μοντέλο ResNet18 με αποδοτική παραμετροποίηση για το κύριο έργο ταξινόμησης διάθεσης και ένα παράλληλο μοντέλο VGGish (Visual Geometry Group audio feature extractor) για συνεχείς προβλέψεις ευχαρίστησης-διέγερσης. Τέλος, μια διαδικτυα- κή εφαρμογή παρουσιάζει την πρακτικότητα του συστήματος, δείχνοντας τη διαδικασία συμπερασματολογίας από άκρο σε άκρο. Η προτεινόμενη προσέγγιση βασισμένη σε clustering σε αυτή τη μελέτη προσφέρει α- ξιοσημείωτα οφέλη για το MER όσον αφορά την ερμηνευσιμότητα και την υπολογιστική αποδοτικότητα, ενώ επιτυγχάνει ισχυρή απόδοση ταξινόμησης τόσο σε κατηγορικά όσο και σε διαστασιακά δεδομένα που είναι ισοδύναμα με τα μοντέλα αιχμής στο ίδιο σύνολο δεδομένων. Τελικά, αυτό το έργο θέτει ένα λειτουργικό, επεκτάσιμο σύστημα MER ικανό για πραγμα- τική ανάπτυξη σε πραγματικό χρόνο, λειτουργώντας ως απόδειξη-εννοιολογικού για σε- νάρια ευαίσθητα στα συναισθήματα, ιδιαίτερα στον τομέα των εφαρμογών που απαιτούν δυναμική προσαρμογή διάθεσης και εξατομικευμένη σύσταση μέσων, όπως η διαδραστι- κή αφήγηση ιστοριών και τα επιτραπέζια παιχνίδια ρόλων (Tabletop Role-Playing Games - TTRPGs).","abstract_html":"Η Αναγνώριση Συναισθημάτων στη Μουσική (Music Emotion Recognition - MER) αποτελεί μία από τις κύριες προκλήσεις στην Ανάκτηση Πληροφοριών Μουσικής (Music Information Retrieval - MIR) λόγω της ετερογένειας των συνόλων δεδομένων και του σημασιολογικού χάσματος μεταξύ της ανθρώπινης αντίληψης κατηγορικών ετικετών (π.χ., ”μελαγχολικό”, ”ενεργητικό”) και των ακουστικών χαρακτηριστικών των υποκείμενων διαστασιακών ανα- παραστάσεων (π.χ., ευχαρίστηση-διέγερση). Η παρούσα διπλωματική εργασία περιγράφει μία ολοκληρωμένη διαδικασία για τη μεί- ωση του απαιτητικού προβλήματος πολυετικετικής ταξινόμησης σε ένα διαχειρίσιμο και σημασιολογικά συνεκτικό έργο μονοετικετικής ταξινόμησης. Η μεθοδολογία αρχικά εντο- πίζει εγγενή μουσικά δομικά πρότυπα στο σύνολο δεδομένων MTG-Jamendo χρησιμο- ποιώντας μη επιβλεπόμενο clustering σε χαμηλού επιπέδου ακουστικά χαρακτηριστικά των ηχητικών κομματιών. Η έρευνα γεφυρώνει τους τομείς της MIR, της συναισθηματικής υπολογιστικής και της αλληλεπίδρασης ανθρώπου-υπολογιστή δημιουργώντας ένα νέο, απλοποιημένο σύνολο ερμηνεύσιμων κατηγοριών διάθεσης με τη βοήθεια Μεγάλων Μο- ντέλων Γλώσσας (Large Language Models - LLMs) για την παραγωγή κατηγοριών που είναι τόσο ακουστικά μοναδικές όσο και σημασιολογικά σημαντικές. Για την επικύρωση αυ- τής της μεθόδου, δημιουργείται ένα σύστημα διπλής αρχιτεκτονικής που περιλαμβάνει ένα προεκπαιδευμένο μοντέλο ResNet18 με αποδοτική παραμετροποίηση για το κύριο έργο ταξινόμησης διάθεσης και ένα παράλληλο μοντέλο VGGish (Visual Geometry Group audio feature extractor) για συνεχείς προβλέψεις ευχαρίστησης-διέγερσης. Τέλος, μια διαδικτυα- κή εφαρμογή παρουσιάζει την πρακτικότητα του συστήματος, δείχνοντας τη διαδικασία συμπερασματολογίας από άκρο σε άκρο. Η προτεινόμενη προσέγγιση βασισμένη σε clustering σε αυτή τη μελέτη προσφέρει α- ξιοσημείωτα οφέλη για το MER όσον αφορά την ερμηνευσιμότητα και την υπολογιστική αποδοτικότητα, ενώ επιτυγχάνει ισχυρή απόδοση ταξινόμησης τόσο σε κατηγορικά όσο και σε διαστασιακά δεδομένα που είναι ισοδύναμα με τα μοντέλα αιχμής στο ίδιο σύνολο δεδομένων. Τελικά, αυτό το έργο θέτει ένα λειτουργικό, επεκτάσιμο σύστημα MER ικανό για πραγμα- τική ανάπτυξη σε πραγματικό χρόνο, λειτουργώντας ως απόδειξη-εννοιολογικού για σε- νάρια ευαίσθητα στα συναισθήματα, ιδιαίτερα στον τομέα των εφαρμογών που απαιτούν δυναμική προσαρμογή διάθεσης και εξατομικευμένη σύσταση μέσων, όπως η διαδραστι- κή αφήγηση ιστοριών και τα επιτραπέζια παιχνίδια ρόλων (Tabletop Role-Playing Games - TTRPGs).","abstract_has_math":false,"creators":["Ζάζος Παναγιώτης","Zazos Panagiotis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T06:41:33Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5320936"],"render_values":[{"text":"uoadl:5320936","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5320936","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5320936","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5320936","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ζάζος Παναγιώτης","Zazos Panagiotis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5320936","https://pergamos.lib.uoa.gr/uoa/dl/object/5320936"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Αναγνώριση Συναισθημάτων στη Μουσική (Music Emotion Recognition - MER) αποτελεί μία από τις κύριες προκλήσεις στην Ανάκτηση Πληροφοριών Μουσικής (Music Information Retrieval - MIR) λόγω της ετερογένειας των συνόλων δεδομένων και του σημασιολογικού χάσματος μεταξύ της ανθρώπινης αντίληψης κατηγορικών ετικετών (π.χ., ”μελαγχολικό”, ”ενεργητικό”) και των ακουστικών χαρακτηριστικών των υποκείμενων διαστασιακών ανα- παραστάσεων (π.χ., ευχαρίστηση-διέγερση). Η παρούσα διπλωματική εργασία περιγράφει μία ολοκληρωμένη διαδικασία για τη μεί- ωση του απαιτητικού προβλήματος πολυετικετικής ταξινόμησης σε ένα διαχειρίσιμο και σημασιολογικά συνεκτικό έργο μονοετικετικής ταξινόμησης. Η μεθοδολογία αρχικά εντο- πίζει εγγενή μουσικά δομικά πρότυπα στο σύνολο δεδομένων MTG-Jamendo χρησιμο- ποιώντας μη επιβλεπόμενο clustering σε χαμηλού επιπέδου ακουστικά χαρακτηριστικά των ηχητικών κομματιών. Η έρευνα γεφυρώνει τους τομείς της MIR, της συναισθηματικής υπολογιστικής και της αλληλεπίδρασης ανθρώπου-υπολογιστή δημιουργώντας ένα νέο, απλοποιημένο σύνολο ερμηνεύσιμων κατηγοριών διάθεσης με τη βοήθεια Μεγάλων Μο- ντέλων Γλώσσας (Large Language Models - LLMs) για την παραγωγή κατηγοριών που είναι τόσο ακουστικά μοναδικές όσο και σημασιολογικά σημαντικές. Για την επικύρωση αυ- τής της μεθόδου, δημιουργείται ένα σύστημα διπλής αρχιτεκτονικής που περιλαμβάνει ένα προεκπαιδευμένο μοντέλο ResNet18 με αποδοτική παραμετροποίηση για το κύριο έργο ταξινόμησης διάθεσης και ένα παράλληλο μοντέλο VGGish (Visual Geometry Group audio feature extractor) για συνεχείς προβλέψεις ευχαρίστησης-διέγερσης. Τέλος, μια διαδικτυα- κή εφαρμογή παρουσιάζει την πρακτικότητα του συστήματος, δείχνοντας τη διαδικασία συμπερασματολογίας από άκρο σε άκρο. Η προτεινόμενη προσέγγιση βασισμένη σε clustering σε αυτή τη μελέτη προσφέρει α- ξιοσημείωτα οφέλη για το MER όσον αφορά την ερμηνευσιμότητα και την υπολογιστική αποδοτικότητα, ενώ επιτυγχάνει ισχυρή απόδοση ταξινόμησης τόσο σε κατηγορικά όσο και σε διαστασιακά δεδομένα που είναι ισοδύναμα με τα μοντέλα αιχμής στο ίδιο σύνολο δεδομένων. Τελικά, αυτό το έργο θέτει ένα λειτουργικό, επεκτάσιμο σύστημα MER ικανό για πραγμα- τική ανάπτυξη σε πραγματικό χρόνο, λειτουργώντας ως απόδειξη-εννοιολογικού για σε- νάρια ευαίσθητα στα συναισθήματα, ιδιαίτερα στον τομέα των εφαρμογών που απαιτούν δυναμική προσαρμογή διάθεσης και εξατομικευμένη σύσταση μέσων, όπως η διαδραστι- κή αφήγηση ιστοριών και τα επιτραπέζια παιχνίδια ρόλων (Tabletop Role-Playing Games - TTRPGs).","Music Emotion Recognition (MER) is one of the main challenges in Music Information Retrieval (MIR) due to dataset heterogeneity and the semantic gap between human per- ception of categorical labels (e.g., ”melancholic”, ”energetic”) and acoustic features of underlying dimensional representations (e.g., valence-arousal). This thesis describes a complete pipeline to reduce the challenging multi-label classifica- tion problem into a manageable and semantically coherent single-label task. The method- ology initially identifies inherent musical structural patterns in the MTG-Jamendo dataset by using unsupervised clustering on low-level acoustic features of the audio tracks. The research bridges MIR, affective computing and human-computer interaction domains by creating a new, streamlined set of interpretable mood categories through the assistance of Large Language Models (LLMs) to produce categories that are both acoustically unique and semantically significant. To validate this method, a dual-architecture system is created that includes a parameter-efficient pre-trained ResNet18 model for the main mood classifi- cation task and a parallel VGGish (Visual Geometry Group audio feature extractor) model for continuous valence-arousal predictions. Finally, a web application demonstrates the system’s practicality, showing the end-to-end inference process. The proposed clustering-based approach in this study offers notable benefits to MER in terms of interpretability and computational efficiency, while achieving strong classification performance on both categorical and dimensional data that is on par with state-of-the-art models on the same dataset. Ultimately, this work lays out a workable, expandable MER system capable of real-time deployment, serving as a proof-of-concept for emotion-aware scenarios, particularly in the realm of applications requiring dynamic mood adaptation and personalized media recom- mendation, such as interactive storytelling and tabletop role-playing games (TTRPGs)."]},{"key":"dc:title","label":"Title","values":["Ταξινόμηση Μουσικής Διάθεσης με Βάση Τεχνικές Ομαδοποίησης και Βαθιάς Μάθησης"]}]}],"canonical_facts":{"dc:creator":["Ζάζος Παναγιώτης","Zazos Panagiotis"],"dc:date":["2026"],"dc:description":["Η Αναγνώριση Συναισθημάτων στη Μουσική (Music Emotion Recognition - MER) αποτελεί μία από τις κύριες προκλήσεις στην Ανάκτηση Πληροφοριών Μουσικής (Music Information Retrieval - MIR) λόγω της ετερογένειας των συνόλων δεδομένων και του σημασιολογικού χάσματος μεταξύ της ανθρώπινης αντίληψης κατηγορικών ετικετών (π.χ., ”μελαγχολικό”, ”ενεργητικό”) και των ακουστικών χαρακτηριστικών των υποκείμενων διαστασιακών ανα- παραστάσεων (π.χ., ευχαρίστηση-διέγερση). Η παρούσα διπλωματική εργασία περιγράφει μία ολοκληρωμένη διαδικασία για τη μεί- ωση του απαιτητικού προβλήματος πολυετικετικής ταξινόμησης σε ένα διαχειρίσιμο και σημασιολογικά συνεκτικό έργο μονοετικετικής ταξινόμησης. Η μεθοδολογία αρχικά εντο- πίζει εγγενή μουσικά δομικά πρότυπα στο σύνολο δεδομένων MTG-Jamendo χρησιμο- ποιώντας μη επιβλεπόμενο clustering σε χαμηλού επιπέδου ακουστικά χαρακτηριστικά των ηχητικών κομματιών. Η έρευνα γεφυρώνει τους τομείς της MIR, της συναισθηματικής υπολογιστικής και της αλληλεπίδρασης ανθρώπου-υπολογιστή δημιουργώντας ένα νέο, απλοποιημένο σύνολο ερμηνεύσιμων κατηγοριών διάθεσης με τη βοήθεια Μεγάλων Μο- ντέλων Γλώσσας (Large Language Models - LLMs) για την παραγωγή κατηγοριών που είναι τόσο ακουστικά μοναδικές όσο και σημασιολογικά σημαντικές. Για την επικύρωση αυ- τής της μεθόδου, δημιουργείται ένα σύστημα διπλής αρχιτεκτονικής που περιλαμβάνει ένα προεκπαιδευμένο μοντέλο ResNet18 με αποδοτική παραμετροποίηση για το κύριο έργο ταξινόμησης διάθεσης και ένα παράλληλο μοντέλο VGGish (Visual Geometry Group audio feature extractor) για συνεχείς προβλέψεις ευχαρίστησης-διέγερσης. Τέλος, μια διαδικτυα- κή εφαρμογή παρουσιάζει την πρακτικότητα του συστήματος, δείχνοντας τη διαδικασία συμπερασματολογίας από άκρο σε άκρο. Η προτεινόμενη προσέγγιση βασισμένη σε clustering σε αυτή τη μελέτη προσφέρει α- ξιοσημείωτα οφέλη για το MER όσον αφορά την ερμηνευσιμότητα και την υπολογιστική αποδοτικότητα, ενώ επιτυγχάνει ισχυρή απόδοση ταξινόμησης τόσο σε κατηγορικά όσο και σε διαστασιακά δεδομένα που είναι ισοδύναμα με τα μοντέλα αιχμής στο ίδιο σύνολο δεδομένων. Τελικά, αυτό το έργο θέτει ένα λειτουργικό, επεκτάσιμο σύστημα MER ικανό για πραγμα- τική ανάπτυξη σε πραγματικό χρόνο, λειτουργώντας ως απόδειξη-εννοιολογικού για σε- νάρια ευαίσθητα στα συναισθήματα, ιδιαίτερα στον τομέα των εφαρμογών που απαιτούν δυναμική προσαρμογή διάθεσης και εξατομικευμένη σύσταση μέσων, όπως η διαδραστι- κή αφήγηση ιστοριών και τα επιτραπέζια παιχνίδια ρόλων (Tabletop Role-Playing Games - TTRPGs).","Music Emotion Recognition (MER) is one of the main challenges in Music Information Retrieval (MIR) due to dataset heterogeneity and the semantic gap between human per- ception of categorical labels (e.g., ”melancholic”, ”energetic”) and acoustic features of underlying dimensional representations (e.g., valence-arousal). This thesis describes a complete pipeline to reduce the challenging multi-label classifica- tion problem into a manageable and semantically coherent single-label task. The method- ology initially identifies inherent musical structural patterns in the MTG-Jamendo dataset by using unsupervised clustering on low-level acoustic features of the audio tracks. The research bridges MIR, affective computing and human-computer interaction domains by creating a new, streamlined set of interpretable mood categories through the assistance of Large Language Models (LLMs) to produce categories that are both acoustically unique and semantically significant. To validate this method, a dual-architecture system is created that includes a parameter-efficient pre-trained ResNet18 model for the main mood classifi- cation task and a parallel VGGish (Visual Geometry Group audio feature extractor) model for continuous valence-arousal predictions. Finally, a web application demonstrates the system’s practicality, showing the end-to-end inference process. The proposed clustering-based approach in this study offers notable benefits to MER in terms of interpretability and computational efficiency, while achieving strong classification performance on both categorical and dimensional data that is on par with state-of-the-art models on the same dataset. Ultimately, this work lays out a workable, expandable MER system capable of real-time deployment, serving as a proof-of-concept for emotion-aware scenarios, particularly in the realm of applications requiring dynamic mood adaptation and personalized media recom- mendation, such as interactive storytelling and tabletop role-playing games (TTRPGs)."],"dc:identifier":["uoadl:5320936","https://pergamos.lib.uoa.gr/uoa/dl/object/5320936"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ταξινόμηση Μουσικής Διάθεσης με Βάση Τεχνικές Ομαδοποίησης και Βαθιάς Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:33Z"}