درآمدی بر ذخیره و بازیابی اطلاعات موسیقایی: زمینه‌ها، ضرورت‌ها و چالش‌ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 بورسیه و عضو هیات علمی دانشگاه شاهد

2 استاد گروه علم اطلاعات و دانش‌شناسی، دانشگاه تهران

چکیده

هدف: بررسی ضرورت‌های حوزه ذخیره و بازیابی اطلاعات موسیقایی، تفاوت‌های میان ذخیره و بازیابی اطلاعات موسیقایی با اطلاعات متنی، وظایف نظام ذخیره و بازیابی اطلاعات موسیقایی، و چالش‌های مطرح در این حوزه.
روش‌شناسی: پژوهش با مراجعه به متون و منابع کتابخانه‌ای انجام شد.
یافته‌ها: برای ذخیره و بازیابی اطلاعات موسیقایی، موتورهای جستجو و پایگاه‌های اطلاعاتی مختلفی مانند لست.اف.ام.، پاندورا، و موگل در خارج از کشور راه‌اندازی شده است. شباهت، طبقه‌بندی منابع موسیقایی، آوانویسی موسیقی،  تشخیص ریتم و گام، و امکان جستجوی زمزمه‌ای از مهم‌ترین وظایف چنین نظامی است.
نتیجه‌گیری: ذخیره و بازیابی اطلاعات موسیقایی با نوع متنی متفاوت است؛ زیرا موجودیت منابع موسیقایی با منابع متنی فرق دارد. برای اینکه هر نظام ذخیره و بازیابی اطلاعات موسیقایی عملکرد مناسبی داشته باشد، باید این موارد را مد نظر قرار دهد: مشکلات نادرست خواندن ملودی توسط کاربران در پرس‌و‌جوهای زمزمه‌ای، دشواری‌های آوانویسی موسیقی پلی‌فونیک، تعلق یک ژانر به چندین طبقه، فقدان نظام معنایی مشخص در میان برچسب‌ها، و شباهت‌های مختلف موجود در قطعه‌های گوناگون موسیقی.

کلیدواژه‌ها


عنوان مقاله [English]

Introduction to Music Information Retrieval: Background, Significance and Challenges

نویسندگان [English]

  • L. Samadi 1
  • G. Fadaei 2
چکیده [English]

Purpose: To study the significance of Music Information Retrieval (MIR), the differences between text and music storage and retrieval, MIR systems’ tasks and other challenges.
Methodology: Theoretical analysis.
Results: There are different search engines and databases for MIR, like LastFM, Pandora and Muggle. Similarity, classification, transcription, rhythm and pitch recognition and Query-by-Humming (QBH) are the main tasks of MIR systems.
Conclusion: Because of the differences between text and music qualities, text retrieval and MIR are different. To properly perform, each MIR system needs to consider: incorrect melody singing in QBH, difficulties of transcribing polyphonic music, genre’s dependency to several classes, the lack of clear sense among tags and similarities in various pieces of music

کلیدواژه‌ها [English]

  • Music Information Retrieval
  • Music
  • Audio visual material

بزرگ‌چمی، ویدا (1381). کتابخانه‌های موسیقی، در دایراه‌المعارف کتابداری و اطلاع‌رسانی، (ج 1، ص 1533-1535). تهران: سازمان اسناد و کتابخانه ملی ایران.

علیمحمدی، داریوش (1392). کاربرد متن و صوت در بازیابی حسی موسیقی: شبیه‌سازی یک پژوهش تجربی. مطالعات ملی کتابداری و سازماندهی اطلاعات، 24 (94)، 114-136.

علیمحمدی، داریوش (1393). کاربرد برچسب‌زنی اجتماعی در بازیابی اطلاعات موسیقایی: ملاحظه‌ها و ابزارها. ماهنامه کتاب ماه کلیات، 196 (4)، 86-93.

کرد، لیلا (1381). وضعیت سازماندهی منابع شنیداری موسیقی در آرشیوهای موسیقی شهر تهران. پایان‌نامه کارشناسی ارشد. دانشگاه آزاد اسلامی، واحد تهران شمال، ایران.

میدو؛ چارلز تی؛ و همکاران (1390). نظام‌های بازیابی اطلاعات متنی (نجلا حریری، مترجم). تهران: چاپار.

Bogdanov, D., Wack, N., G´omez, E., Gulati, S., Herrera, P., Mayor, O., & et al. (2013). ESSENTIA: an audio analysis library for music information retrieval. 14th International Society for Music Information Retrieval Conference Brazil (04-11-2013) (493–498). Retrived, November 2, 2014, from http://mtg.upf.edu/node/2793

Cao, L., Hao, P., & Zhou, C. (2014). Music radar: A web-based query by humming system. Retrieved November 12, 2014, from https://www.cs.purdue.edu/homes/pengh/.../547.p

Cliff, D., & Freeburn, H. (2000). Exploration of point-distribution models for similarity-based classification and indexing of polyphonic music. In Proceedings of the 1st International Conference on Music Information. Retrieved Plymouth (Massachusetts), USA. Retrieved November 20, 2015, from http://ismir2000.ismir.net/posters/cliff.pdf

Demopoulos, R., Katchabaw J., & Micheal, J. (2007).  Music information retrieval: A survey of issues and approaches. University of Western Ontario (department of computer science). Retrieved October 14, 2015, from http://www.csd.uwo.ca/~katchab/pubs/tr677.pdf

Dowanie, S. (2003). Music Information Retrieval. Annual Review of Information Science and Technology, 1 (37), 295-340.

Duan, Z., Han, J., Pardo, B. (2014). Multi-pitch streaming of harmonic sound mixtures. IEEE Trans. Audio Speech Language Processing, 22 (1), 138-150. DOI: 10.1109/TASLP.2013.2285484

Kageyama, T., Mochizuki, K. & Takashima, Y. (1993). Melody retrieval with humming. Proceedings of the International Computer Music Conference, (1993) (349-351(. Retrieved Octobr 18, 2015, from http://quod.lib.umich.edu/cgi/p/pod/dod-idx/melody-retrieval-with-humming.pdf?c=icmc; idno=bbp2372.1993.077

Klapuri, A. (2003). Automatic transcription of music.  Proceedings of the Stockholm Music Acoustics Conference (SMAC 03) 1-4. Stockholm, Sweden. Retrieved April 22, 2014, from http://www.music.mcgill.ca/~ich/classes/mumt621_09/transcription/smac2003_klapuri.pdf

LaRue, J .(1992). Fundamental analytic considerations. Guidelines for style Analysis) 2nd ed. (1-22). New York:  Harmonie Park Press.

Lee, J. H., & Cunningham, S. j. (2012). The impact (or non-impact) of user studies. 13th International Society for music information retrieval conference, 105-117. Retrievied November 14, 2014, from http://ismir2012.ismir.net/event/papers/391_ISMIR_2012.pdf

Lesaffre, M., Leman, M., De Voogdt, L., De Baets, B., De Meyer, H., & Martens, J.-P. (2006). A user-dependent approach to the perception of high-level semantics of music. In Mario Baroni (Ed.), Proceedings of the 9th International Conference on Music Perception and Cognition (2006-08-22), (pp. 1003–1008). Presented at the 9th International Conference on Music Perception and Cognition (ICPMC-9), Society for Music Perception & Cognition; European Society for the Cognitive Sciences of Music.Retrieved April 7, 2014, from http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.542.9533&rep= rep1&type=pdf.

Muerer, W. (2004). Aspects of music information retrieval. Retrieved April 20, 2014, from https://www.yumpu.com/en/document/view/23528041/aspects-of-music-information-retrieval-will-meurer-school-of-.

Peeters, G. (2010). Spectral and temporal periodicity representations of rhythm for the automatic classification of music audio signal. IEEE Trans. On Audio, Speech and language processing,19 (5), 1242 – 1252. DOI: 10.1109/TASL.2010.2089452

Tsunoo, E. (2009). Audio Genre classification Using Percussive pattern clustering combined with timbral features. In International Conference on Multimedia and Expo1. (ICME) 28 June-3 July 2009, (382-385).

Typke, R. (2007). Music retrieval based on melodic similarity. Unpublished doctoral dissertation, Utrecht University, Nederlands.

Tzanetakis, G. (2014). Music Information retrieval. Canada: Victoria University.

Wiering, F. (2007). Can humans benefit from music information retrieval? 8th International Symposium on Music Information Retrieval (ISMIR), Vienna, Austria, 23-27 September 2007, (pp. 82-94). Retrieved April 10, 2014, from http://www.cs.bu.edu/~snyder/cs591/ Handouts/AMRWiering.pdf

Wingate, C. (2009). Music information retrieval, musicology and musical genre. In music technology seminar 21 December 2009 MUMT 621. Retrieved April 20, 2014, from http://www.music.mcgill.ca/~ich/classes/mumt621_11/final%20projects/Final%20project%202009/cedar/Music%20Information%20Retrieval,%20Musicology,%20and%20Musical%20Genre.pdf