PROCESSING AVANZATO DI DATI MUSICALI: AGGREGAZIONE DA FONTI MULTIPLE ED ANALISI EMOZIONALE

In an increasingly dynamic and competitive landscape, music recommendation systems are gaining a central role in the development of digital platforms, contributing distinctively to the personalization of the user experience. The vast availability of song catalogs makes it essential to use intelligent tools capable of capturing not only the user's preferences but also the listening context. In this scenario, the role of rich and structured data is becoming increasingly crucial. This thesis focuses on the development of an aggregated dataset, built thanks to the availability of data from online and academic sources. The aggregation process involved merging heterogeneous data, such as musical metadata, audio features, and emotional lexicons, in order to obtain a rich representation through a complex pre-processing pipeline. After this initial aggregation phase, essential for the development of the work, data cleaning and transformation steps were carried out, which are fundamental to ensure the quality and consistency of the final dataset. Among all the preprocessing operations, particular attention was given to semantic analysis, which represents the core of the project. The extraction of the emotional context of each track, performed using the VAD methodology (Valence, Arousal, Dominance), with the aim of providing a result usable in context-aware recommendation environments, is the key element of this work. The approach presented in this thesis addresses the growing need to enrich the field of music recommendation, seeking to go beyond models based solely on the audio features of songs, and instead introducing an affective component capable of personalizing recommendations.

In un panorama sempre più dinamico e competitivo, i sistemi di raccomandazione musicale stanno acquisendo un ruolo sempre più centrale nello sviluppo di piattaforme digitali, contribuendo in modo distintivo alla personalizzazione dell'esperienza utente. La grande disponibilità del catalogo di canzoni rende indispensabile l'utilizzo di strumenti intelligenti, in grado di catturare non solo i gusti dell'utente, ma anche il contesto dell'ascolto. In questo scenario, il ruolo di dati ricchi e strutturati è sempre più centrale. Questa tesi si concentrerà sullo sviluppo di un dataset aggregato, costruito grazie alla disponibilità di dati provenienti da fonti online ed accademiche. Il processo di aggregazione ha previsto l'unione di dati eterogenei, come metadati musicali, caratteristiche audio e dizionari emozionali, al fine di poter ottenere una rappresentazione ricca, ottenuta tramite un processo articolato di pre-processing. Dopo questa prima fase di aggregazione, indispensabile per lo sviluppo del lavoro, sono stati eseguiti i passaggi di pulizia e trasformazione dei dati, imprescendibili per garantire la qualita e coerenza del dataset finale. Tra tutte le operazioni di pre-elaborazione, particolare rilevanza è stata data all'analisi semantica, la quale rappresenta il nucleo principale del progetto. L'estrazione del contesto emozionale di ogni traccia, eseguito tramite la metodologia VAD (Valence, Arousal, Dominance), con l'obiettivo di fornire un risultato impiegabile in ambienti di raccomandazione context-aware, risulta l'elemento chiave dell'elaborato. L'approccio presentato nella tesi risponde alla crescente esigenza di arricchire il mondo della raccomandazione musicale, cercando di superare i modelli basati esclusivamente sulle caratteristiche audio delle canzoni, introducendo invece una componente affettiva in grado di personalizzare la raccomandazione.