Dziesmu ieteikumu algoritmu potenciāla atraisīšana, analizējot iepriekšējos atskaņošanas sarakstus un mūzikas iezīmes dīdžeju programmatūrā

Abstract

Mūzikas industrijas pāreja uz digitalizāciju ir būtiski ietekmējusi mūzikas izveidi, izplatīšanu un izmantojumu. Šajās pārmaiņās lielā mērā manuāls aspekts ir dīdžeju jeb diskžokeju dziesmu atskaņošanas sarakstu veidošana, kas ir būtiska dīdžejošanas pieredzes sastāvdaļa. Šajā pētījumā tiek piedāvāts jauns paņēmiens atskaņošanas sarakstu veidošanai, izstrādājot dziesmu rekomendācijas algoritmu ar mašīnmācīšanās un mākslīgā intelekta palīdzību, lai uzlabotu veidu kā dīdžeji pārvalda mūzikas atskaņošanas sarakstus. Darba mērķis ir pilnveidot līdzīgu balstu dīdžeju programmatūrā kas ir līdzvērtīgs mūzikas straumēšanas platformās. Mērķis ir padarīt automātisku un pilnveidotu mūzikas atskaņošanas sarakstu veidošanas procesu, ļaujot dīdžejiem efektīvi pārvietoties pa savām plašajām mūzikas bibliotēkām, lai uzlabotu uzstāšanās pieredzi dinamiskāku. Analizējot mūzikas īpašības un atskaņošanas sarakstu datus, algoritms nodrošina personalizētus skaņdarbu ieteikumus, tādējādi padarot atskaņošanas sarakstu veidošanu par efektīvāku un vieglāku procesu. Pētījumā tika izmantots īpaši izstrādāts algoritms, lai ieteiktu skaņdarbus, kas atbilst dīdžeja stilam un vēlamajam skaņas ritmam. Veicot statistisko analīzi, pēc algoritma ieviešanas tika novēroti ievērojami uzlabojumi, tostarp vieglāka dziesmu meklēšana un šķirošana, grūtību novēršana dziesmu izvēlē un lielāka atskaņošanas sarakstu veidošanas efektivitāte. Dalībnieki, galvenokārt dīdžeji, ziņoja par augstu apmierinātību ar personalizētajiem ieteikumiem, uzsverot algoritma efektivitāti dīdžejošanas pieredzes uzlabošanā. Darbā tiek pieminēti vairāki pētījumu virzieni, tostarp kvalitatīvā analīze, lai aptvertu plašāku lietotāju pieredzi, algoritma paplašināšana, lai radītu unikālus mūzikas ierakstus, izmantojot ģeneratīvo mākslīgo intelektu, un tā pielāgošanās spēja dažādām mūzikas tendencēm. Šie nākotnes virzieni garantētu vēl vairāk attīstīt mākslīgā intelekta pilnveidošanu dīdžeju programmatūrā, padarot dīdžejošanas mākslu digitālās mūzikas vidē pilnvērtīgāku. Kopsavilkumā ir apkopota bakalaura darba būtība, izceļot problēmu risinājumu, piedāvāto inovatīvo risinājumu un būtiskos ieguvumus, kas gūti, ieviešot dziesmu ieteikšanas algoritmu. Tika izklāstīti arī konstatētie sarežģījumi un sniegts redzējums par turpmākajiem pētījumiem šajā mūzikas tehnoloģiju jomā, kas strauji attīstās. Atslēgas vārdi: dīdžejošana, dziesmu ieteikšanas algoritms, mašīnmācīšanās, mākslīgais intelekts, mūzikas bibliotēkas pārvaldība un atskaņošanas saraksts.

The shift towards digitalization in the music industry has significantly impacted how music is created, distributed, and consumed. In the midst of this transformation, one aspect that remains largely manual is the curating of DJ playlists, a critical component of the DJing experience. This study suggests an approach to curation by introducing a track recommendation system that uses machine learning and generative AI to help DJs organize their music collections and craft playlists more effectively. The goal is to incorporate support similar to what is found in popular music streaming services into DJ software. This aims to streamline and enhance the creation process allowing DJs to effortlessly navigate through their music libraries and customize their playlists to suit the vibe of their performances. By analyzing musical characteristics and past playlist data, the algorithm provides personalized track recommendations, thereby transforming playlist creation into a more efficient and informed process. The research employed a bespoke algorithm designed to suggest tracks that align with the DJ's style and the desired flow of their sets. Through statistical analysis, significant improvements were noted post-implementation of the algorithm, including enhanced ease in sorting and finding tracks, reduced difficulties in track selection, and greater efficiency in creating playlists. Participants, primarily DJs, reported high satisfaction with the personalized recommendations, underscoring the algorithm's effectiveness in improving the DJing experience. The thesis outlines several avenues for future research, including the incorporation of qualitative analyses to capture a wider range of user experiences, the expansion of the algorithm to generate unique music tracks using generative AI, and its adaptability to evolving music trends. These future directions promise to further advance the integration of artificial intelligence in DJ software, enriching the art of DJing in the digital music landscape. The executive summary encapsulates the essence of the thesis, highlighting the problem addressed, the innovative solution proposed, and the significant benefits realized from implementing the track recommendation algorithm. It also outlines the limitations encountered and provides a vision for future research in this burgeoning field of music technology. Keywords such as DJing, Track Recommendation Algorithm, Machine Learning, Generative AI, Music Library Management, and Playlist Curation underline the thesis's contribution to the digital music industry and its potential for shaping the future of DJing.