Titulo Estágio
Sumarização Automática de Letras Musicais: Identificação de Temas e Emoções com Text Mining
Áreas de especialidade
Sistemas Inteligentes
Local do Estágio
DEI-FCTUC
Enquadramento
O reconhecimento de emoções em música (Music Emotion Recognition - MER) é uma área de pesquisa que tem atraído crescente interesse tanto no meio acadêmico quanto na indústria. Com o aumento do consumo de música digital através de plataformas de streaming, a capacidade de personalizar recomendações musicais com base nas emoções do utilizador tornou-se uma funcionalidade altamente valorizada. Empresas como Spotify, Pandora e Apple Music investem significativamente em tecnologias que permitem aos utilizadores descobrir músicas que correspondam ao seu estado emocional ou preferência de momento.
As letras das músicas desempenham um papel crucial na transmissão de emoções, sendo muitas vezes mais determinantes que o próprio ritmo ou melodia. A análise das letras pode revelar nuances emocionais e temáticas que são essenciais para a correta categorização emocional de uma música. No contexto do MER, compreender e interpretar essas letras de forma eficiente pode melhorar significativamente a precisão dos sistemas de recomendação.
Uma forma de otimizar os modelos de reconhecimento de emoções e torná-los mais eficientes é investigar se é necessário analisar a letra inteira da música para prever a emoção predominante percebida, ou se partes específicas e relevantes do texto, como o refrão ou um resumo da letra, são suficientes. Identificar as partes mais emocionalmente significativas pode reduzir a complexidade do processamento e melhorar a eficiência dos modelos.
A sumarização automática de textos é uma técnica de Text Mining que visa extrair as partes mais importantes de um documento, produzindo um resumo conciso que mantém a essência do conteúdo original. No contexto das letras de música, a sumarização pode ajudar a identificar frases e versos chave que capturam os temas e emoções principais. Dependendo da técnica utilizada, o resumo gerado pode conter apenas excertos da letra original (sumarização extractiva) ou pode incluir novas palavras que não estão no texto original (sumarização abstrativa).
Este projeto visa criar um sistema de sumarização de letras de música e consequente geração de modelos preditivos usando abordagens clássica e de redes profundas. Esse sistema é avaliado através da comparação como modelos baseados na letra completa.
Objetivo
O objetivo deste projeto é desenvolver um sistema para gerar sumários automáticos de letras de músicas, destacando os principais temas e emoções. A abordagem proposta envolve:
- Utilizar técnicas de Text Mining para identificar as partes mais relevantes das letras de músicas que capturam as emoções predominantes.
- Implementar modelos de Processamento de Linguagem Natural (NLP) para gerar sumários das letras, garantindo que os resumos sejam coerentes e representem bem o conteúdo emocional.
- Utilizar técnicas de Deep Learning para refinar os sumários, melhorando a coesão e a relevância dos resumos gerados.
- Avaliar os resumos de um ponto de vista emocional, comparando a eficácia de modelos criados a partir desses sumários com modelos baseados na letra inteira. Utilizar métricas como F1-score e abordar a avaliação através de métodos de machine learning e deep learning.
- Implementar e comparar diferentes abordagens de machine learning, deep learning e LLMs para criar modelos preditivos que utilizem os sumários gerados, verificando se a utilização de resumos proporciona resultados comparáveis ou superiores à análise da letra completa.
Este projeto visa não apenas criar uma ferramenta prática para sumarização de letras de músicas, mas também avançar na pesquisa de reconhecimento de emoções em música, explorando a eficácia de diferentes técnicas de text mining e modelos de linguagem na representação emocional dos textos.
Plano de Trabalhos - Semestre 1
1. Revisão do Estado de Arte relacionado com a área do projeto e respetiva análise crítica.
2. Definição completa do projeto a implementar incluindo objetivos específicos, tecnologias e ferramentas.
3. Implementação de uma solução informática que permita ir ao encontro da concretização dos objetivos definidos.
Plano de Trabalhos - Semestre 2
3. Implementação de uma solução informática que permita ir ao encontro da concretização dos objetivos definidos. (continuação)
4. Otimização da solução implementada
5. Escrita da tese de Mestrado (e eventualmente um artigo científico)
Condições
- Acesso a uma toolbox para LMER (com módulos de extração de fetures e deep learning), desenvolvida pela nossa equipa
- Acesso a uma base de dados de letras de canções, desenvolvida pela nossa equipa
- Acesso ao servidor (hospedado no DEI) com 10 placas GPU de alto desempenho
Orientador
Rui Pedro Paiva, Ricardo Malheiro e Renato Panda
ruipedro@dei.uc.pt 📩