MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning

Detalhes bibliográficos
Autor(a) principal: Matos, Rafael Alexandre Portugal
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/102131
Resumo: Dissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e Tecnologia
id RCAP_9dd8755643192cbba490f672e5842318
oai_identifier_str oai:estudogeral.uc.pt:10316/102131
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep LearningMERGE Lyrics: Music Emotion Recognition next Generation – Classificação de Letras com Deep Learningaprendizagem profundaaumento de dadosprocessamento de linguagem naturalreconhecimento de emoção na músicadetecção de variação de emoção musicaldeep learningdata augmentationnatural language processingmusic emotion recognitionmusic emotion variation detectionDissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e TecnologiaMusic has become a key aspect of the everyday life for most individuals, this industry is constantly growing and from there comes the need to develop systems that can automate the organisation and partitioning of music pieces in different categories. One way to do this is by extracting emotion from lyrics. For years researchers have attempted to determine perceived emotion from music with the aid of Classical Machine Learning (ML) algorithms, providing us good yet not great state of the art results of 77.1% F1-Score in Lyrics-based Music Emotion Recognition (LMER) and 67.4% F1-Score in Lyrics Emotion Variation Detection (LEVD). Deep Learning (DL) approaches have become popular in the LMER field as researchers attempt to surpass traditional methods. We proposed a DL approach to this problem, using the existing 951 lyrics LMER dataset, which reached an F1-Score of 88.9% and consisted on a pre-trained model (BERT). This work also assesses LEVD in which an F1-Score of 85.3% was achieved by applying concepts such as Natural Language Processing (NLP) data augmentation and Long Short Term Memory (LSTM) models. Other models such as dense neural networks (DNN) and convolutional neural networks (CNN) are also targeted in our experiments and explored in depth. This research contributed to the improvement of our knowledge in DL approaches which enhanced the previously achieved classical ML results and proved beneficial to the better understanding of the limitations the data available imposes.A música tornou-se um aspecto fundamental da vida quotidiana para a maioria dos indivíduos, esta indústria está em constante crescimento e daí surge a necessidade de desenvolver sistemas que possam automatizar a organização e particionamento de peças musicais em diferentes categorias. Uma maneira de fazer isso é extrair emoção das letras. Durante anos, os pesquisadores tentaram determinar a emoção percebida da música com a ajuda de algoritmos de Aprendizado de Máquina Clássico (ML), fornecendo resultados bons, mas não excelentes, de 77,1% F1-Score no reconhecimento de emoções musicais baseado em letras (LMER) e 67,4% F1-Score em Lyrics Emotion Variation Detection (LEVD). As abordagens de Deep Learning (DL) tornaram-se populares no campo LMER à medida que os pesquisadores tentam superar os métodos tradicionais. Propusemos uma abordagem DL para este problema, usando o conjunto de dados LMER de 951 letras de letras existente, que atingiu um F1-Score de 88,9% e consistiu em um modelo pré-treinado (BERT). Este trabalho também avalia o LEVD em que um F1-Score de 85,3% foi alcançado aplicando conceitos como aumento de dados de Processamento de Linguagem Natural (NLP) e modelos de Long Short Term Memory (LSTM). Outros modelos como redes neurais densas (DNN) e redes neurais convolucionais (CNN) também são alvo de nossos experimentos e explorados em profundidade. Esta pesquisa contribuiu para o aprimoramento de nosso conhecimento em abordagens de EAD, o que aprimorou os resultados de ML clássicos anteriormente alcançados e se mostrou benéfico para o melhor entendimento das limitações que os dados disponíveis impõem.FCT2022-09-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/102131http://hdl.handle.net/10316/102131TID:203062620engMatos, Rafael Alexandre Portugalinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-09-27T20:41:06Zoai:estudogeral.uc.pt:10316/102131Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:19:11.460807Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
MERGE Lyrics: Music Emotion Recognition next Generation – Classificação de Letras com Deep Learning
title MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
spellingShingle MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
Matos, Rafael Alexandre Portugal
aprendizagem profunda
aumento de dados
processamento de linguagem natural
reconhecimento de emoção na música
detecção de variação de emoção musical
deep learning
data augmentation
natural language processing
music emotion recognition
music emotion variation detection
title_short MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
title_full MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
title_fullStr MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
title_full_unstemmed MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
title_sort MERGE Lyrics: Music Emotion Recognition next Generation – Lyrics Classification with Deep Learning
author Matos, Rafael Alexandre Portugal
author_facet Matos, Rafael Alexandre Portugal
author_role author
dc.contributor.author.fl_str_mv Matos, Rafael Alexandre Portugal
dc.subject.por.fl_str_mv aprendizagem profunda
aumento de dados
processamento de linguagem natural
reconhecimento de emoção na música
detecção de variação de emoção musical
deep learning
data augmentation
natural language processing
music emotion recognition
music emotion variation detection
topic aprendizagem profunda
aumento de dados
processamento de linguagem natural
reconhecimento de emoção na música
detecção de variação de emoção musical
deep learning
data augmentation
natural language processing
music emotion recognition
music emotion variation detection
description Dissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-09-08
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/102131
http://hdl.handle.net/10316/102131
TID:203062620
url http://hdl.handle.net/10316/102131
identifier_str_mv TID:203062620
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134086270287872

Registros relacionados