El problema de clasificar emociones musicales surge al construir sistemas de recomendación para crear listas de reproducción basadas en el estado de ánimo. Sin embargo, los métodos existentes para clasificar emociones musicales no siempre proporcionan una precisión suficiente. Esto crea la necesidad de desarrollar métodos y modelos más efectivos, ya que muchos servicios modernos de música en línea se esfuerzan por personalizar el contenido utilizando sistemas de recomendación, incluida la creación de listas de reproducción basadas en el estado de ánimo. Para formar tales listas de reproducción, es necesario resolver primero el problema de reconocer el tono emocional de las composiciones musicales en función de sus letras y características de audio, lo que es una tarea relacionada con el campo de la gestión y procesamiento de información. El objetivo del artículo es desarrollar un modelo de aprendizaje automático que mejore la calidad de la predicción de emociones musicales basado en el análisis de métodos y modelos conocidos y actuales. Durante la investigación, se analizaron métodos para extraer características de composiciones musicales y técnicas para organizar la arquitectura para resolver el problema. Se desarrolló una arquitectura de conjunto y un modelo de aprendizaje automático basado en algoritmos de apilamiento, perceptrones multicapa (con una función de activación ReLU), árboles de decisión y bagging para clasificar emociones musicales. Se realizó un análisis comparativo utilizando la métrica F-measure con enfoques alternativos en el mismo conjunto de datos. El modelo desarrollado puede ser utilizado en sistemas de recomendación musical para crear automáticamente listas de reproducción basadas en el estado de ánimo, mejorando la experiencia del usuario y la calidad de los servicios musicales personalizados.
Plaksin et al. (Sun,) estudiaron esta cuestión.