OWLを用いた音楽嗜好データの表現と音楽情報推薦への応用
5
0
0
全文
(2) である．本手法の有効性を確認するために，本手法と. 3.1. 研 究 の進 行 方 法. 協調フィルタリング，および個人の音楽嗜好データを 集 合 論 的 に 扱 う 類 似 度 (Jaccard係 数 )に 基 づ く 音 楽 情 報. 本研究では，以下に示す手順で研究を進めた．. 3.1.1. 音 楽 デ ー タ の 収 集. 推薦との比較実験を行った．. 本研究では，個人の音楽嗜好データを用いるため，. 以 下 ，2節 で は 本 研 究 に 関 連 す る 研 究 に つ い て ，3節. アンケートによる音楽嗜好データの収集を行った．ア. で は 研 究 の ア プ ロ ー チ に つ い て 述 べ る ． 4節 で は 音 楽. ンケート方法として，アンケート用紙による収集，電. 嗜 好 デ ー タ の OWL に よ る 表 現 例 ， 5 節 で は 2 つ の OWL. 子 メ ー ル に よ る 収 集 ，Web ペ ー ジ の FORM 入 力 か ら の. 間 の 類 似 度 の 算 出 方 法 の 提 案 ，6節 で は 音 楽 情 報 の 推 薦. 収集など様々な手法でデータ収集を行った．アンケー. に つ い て 説 明 す る ．7節 で は 音 楽 情 報 推 薦 の 実 験 と 評 価. ト内容は，アーティスト名，曲名，アルバム名，その. に つ い て 述 べ ，最 後 に ま と め と 今 後 の 課 題 を 8節 で 行 う ．. 曲 の CD ま た は デ ー タ を 持 っ て い る か ど う か ， そ の 曲. 2. 関 連 研 究. 興味なし，嫌い）の 5 つの項目について記述してもら. に 対 す る 嗜 好 の 5 段 階 評 価（ す ご く 好 き ，好 き ，普 通 ， 関連研究として，個人のプロファイルをシステム間 で共有することで，システムごとの適応精度の差異を 軽 減 す る“ A3”が あ る [2]．こ れ は ，本 研 究 と 同 じ く 個. っ た ． 合 計 81 名 か ら 音 楽 嗜 好 デ ー タ を 収 集 し た ．. 3.1.2. 音 楽 嗜 好 デ ー タ の OWL で の 表 現 アンケートにより収集した個人の音楽嗜好データ. 人 の 嗜 好 デ ー タ を OWL で 記 述 し ， プ ロ ト タ イ プ と し. と し て の 表 現 形 式 と し て OWL を 採 用 し た ． こ れ は ，. て 本 の 推 薦 シ ス テ ム：PDL を 紹 介 し て い る ．A3 で は ，. OWL で 表 現 さ れ た デ ー タ へ の 新 規 属 性 の 拡 張 容 易 性. 木の深さに応じたべき乗類似度を使用しているが，評. や再利用性，推論等の研究への適用を意識したためで. 価実験は行っていない．. あ る ． OWL 表 現 の 補 助 ツ ー ル と し て Stanford 大 学 で. また，選択した商品と同じ商品を購入した他人の購. 開発されたオントロジー作成支援ツールである. 買 商 品 を 利 用 者 に 推 薦 す る ア マ ゾ ン が あ る [1]．し か し ，. Protégé[5]を ， 本 手 法 で 用 い る OWL 作 成 の フ レ ー ム ワ. アマゾンの推薦の場合，購買履歴のみを参照するため. ー ク と し て 利 用 し ， 個 人 の 音 楽 嗜 好 デ ー タ 用 の OWL. に，その人が欲していない商品が推薦される場合が. の テ ン プ レ ー ト を 出 力 し た ． こ の テ ン プ レ ー ト OWL. 多々ある．アマゾンでは，情報を推薦する手法に情報. を 基 に ， ア ン ケ ー ト で 得 ら れ た 嗜 好 デ ー タ を OWL フ. フィルタリングで代表的な協調フィルタリングを用い. ァ イ ル で 表 現 す る プ ロ グ ラ ム を 作 成 し ，81 名 の 音 楽 嗜. ている．協調フィルタリングは，複数の利用者の情報. 好 デ ー タ の OWL フ ァ イ ル の 作 成 を 行 っ た ．. を使う必要があるため，利用者数が少ない初期の段階. 3.1.3. 類 似 度 の 算 出 プ ロ グ ラ ム の 実 装 と 音 楽 情. では類似する利用者を発見できず，有効な推薦が期待. 報の推薦. で き な い コ ー ル ド ス タ ー ト 問 題 が 発 生 す る [3]． ま た ， アマゾンの情報推薦システムの場合，クレジットカー ド を も つ 本 人 が ， 家 族 用 の 商 品 （ 書 籍 や CD な ど ） を 購入した履歴とカード保持者本人の購買履歴が混在し てしまい，正しい情報推薦からかけ離れてしまうとい う状況も問題となる． 音楽データを対象とする推薦システムでは，岩濱ら [4]の 研 究 が あ る ．こ の 研 究 で は ，音 楽 デ ー タ (MIDI)か ら特徴量を抽出し、その特徴量と個人の音楽データに 対する評価値から決定木を構築する．その決定木と評 価用データの特徴量を比べ，その人に音楽データの推. OWL フ ァ イ ル か ら 構 造 的 な 類 似 度 と ，デ ー タ の 集 合 論 的 な 類 似 度 を 与 え る Jaccard 係 数 に よ る 類 似 度 を 求 めるプログラムの実装を行った．一方，強調フィルタ リング手法も実装し，これら３つの手法による音楽情 報の推薦を行った．. 3.1.4. 本 手 法 の 評 価 本手法の有効性を検証するために，前記３つの手法 での音楽情報の推薦を，推薦適合率（推薦された曲の うち、その人が好んだ曲の割合）を定義して，比較評 価を行った．. 薦を行う．しかし，音楽データから特徴量を抽出する. 4. 音 楽 嗜 好 デ ー タ の OWL に よ る 表 現 例. のは困難である．. 本 提 案 手 法 で 用 い る 個 人 の 音 楽 嗜 好 デ ー タ を OWL で 記 述 し た 例 を 図 1（ 深 さ 4）に 示 す ．根 ノ ー ド か ら genre，. 3. 研 究 の ア プ ロ ー チ 本 研 究 で は ，A3 で 行 わ れ な か っ た 評 価 実 験 を 行 う と と も に ， 本 手 法 で 定 義 す る OWL 間 の 構 造 的 な 類 似 度 の有効性を確認するために，協調フィルタリングと音 楽 デ ー タ を 集 合 論 的 に 扱 っ た 類 似 度 （ Jaccard 類 似 度 ） を用いた音楽情報推薦の結果との比較を行う．. sub-genre， artist， titleの 階 層 構 造 と し た ． 葉 ノ ー ド で あ る titleに は ， OWLの 特 徴 で あ る デ ー タ タ イ プ プ ロ パ ティ属性ノードを利用して，その曲を持っているかを 表 す “have”(boolean) ， そ の 曲 に 対 し て の 興 味 を 示 す “like”( 非 負 の 実 数 値 ) の デ ー タ タ イ プ プ ロ パ テ ィ を 持. −278−.
(3) た せ る よ う に 工 夫 し た ．OWLの 作 成 は 3.1.2節 で 述 べ た 手法で行った．. 図 3 OWLで 記 述 し た 例 （ Yさ ん ， 深 さ 4）. 5.2. 一 般 化 コサインの拡 張 「OWL 構 造 類 似 度 」 図1. OWLで 記 述 し た 例 （ Xさ ん ， 深 さ 4）. 一 般 化 コ サ イ ン 類 似 度 (GCS ： Generalized Cosine Similarity)は 木 構 造 デ ー タ 間 の 類 似 度 を 表 現 す る ひ と つ の 手 段 と し て 提 案 さ れ た [6]． 類 似 度 を 求 め る 2人 の 音 楽 嗜 好 デ ー タ (Xの title： l1 ，Yの title： l 2 )に 対 す る 一 番 近 い 共 通 の 親 (LCA：Lowest Common Ancestor)用 い て → →. title間 の 類 似 度 l1 ⋅ l 2 を 求 め る ．我 々 は ，[6]で 定 義 さ れ → →. た類似度（ 図2. OWLで 記 述 し た 例 （ Xさ ん ， 深 さ 3）. l1 ⋅ l 2. ). に対して，深さによって変化する. 重 み D(depth) を 乗 ず る よ う な 拡 張 を 行 っ た ( 式 (2)) ．. また，深さを変化させた場合の類似度を求めて音楽. 以 降 、 こ れ を 「 OWL構 造 類 似 度 」 と 呼 ぶ こ と に す る 。 → →. l1 ⋅ l2 =. 情報の推薦を行う実験も行った．X さんの深さ 4 の OWL 表 現 は 図 1 の 構 造 に な る が ，深 さ 3 の OWL は 図 2 の よ う に sub genre が 無 い 構 造 と し た ．. 2 ∗ depth( LCAU (l1 , l2 )) * D(depth) depth(l1 ) + depth(l2 ). (2). 次 に ，OWL特 有 の 拡 張 機 能 の 一 つ で あ る デ ー タ プ ロ パ テ ィ と し て title（ 曲 目 ）ノ ー ド に 追 加 し た“ like”(式 → →. 5. 類 似 度 算 出 法 OWLで 表 現 さ れ た 任 意 の 2人 の 音 楽 嗜 好 デ ー タ の 類 似 度 計 算 に は ， 以 下 に 示 す 2種 類 の 類 似 度 算 出 法 を 用. (3) の. ai と b j ) と 式 (2) を 一 般 化 し た l i ⋅ l j と の 積 の 和. を以下の式で求めた． → →. n. m. → →. A⋅ B = ∑∑ ai b j li . l j. いた．. （3）. i =1 j =1. 5.1. Jaccard 係 数 Jaccard係 数 は ，デ ー タ を 集 合 論 的 に 扱 っ た 場 合 の 類 似 度 を 求 め る 一 手 法 で あ る ． Xさ ん と Yさ ん の 音 楽 嗜. Aは Xの title( li )集 合 ， Bは Yの title( l j )集 合 を 表 す ． 式 (3)を 正 規 化 し た 値 を 「 OWL構 造 類 似 度 」 と す る (式 (4))． → →. 好 デ ー タ が あ っ た 場 合 ，Xと Yが 持 つ ノ ー ド の 和 集 合 と. sim( A, B) =. Xと Yの 持 つ ノ ー ド の 積 集 合 の 比 で 以 下 の 式 (1)で 求 め る こ と が で き る （ musicの ノ ー ド は 含 ま な い ）．. sim Jacc ( X , Y ) =. X ∩Y X ∪Y. .. → →. （4）. A⋅ A B⋅ B. LCA の 例 と し て ，図 1 の X の title“ h1”と 図 3 の Y (1）. の title“ f2” の LCA を 求 め る ． ま ず ，“ h1” の 親 ノ ー. Jaccard 係 数 を 求 め る 例 と し て ，深 さ 4 の 場 合 の 図 1 の X と 図 3 の Y の Jaccard 係 数 を 実 際 に 求 め て み る ． X と Y の ノ ー ド の 和 集 合 は 28， 積 集 合 は 9 と な り ， Jaccard 係 数 は 32.1%と な る ．Jaccard 係 数 を 用 い る 場 合 ， OWL の 構 造 は 一 切 利 用 し て い な い. A⋅ B. → →. ド は 「 浜 崎 あ ゆ み 」，“ f2” の 親 ノ ー ド は 「 福 山 雅 治 」 と な る た め ， artist の 段 階 で は LCA は 求 ま ら な い ． 次 に， 「 浜 崎 あ ゆ み 」の 親 ノ ー ド は「 ポ ッ プ ス 」， 「福山雅 治 」の 親 ノ ー ド も「 ポ ッ プ ス 」と な り ，sub genre の 段 階 で LCA が 求 ま る こ と に な る ．. −279−.
(4) フィルタリングによる音楽情報推薦の結果を比較する．. 6. 音 楽 情 報 の 推 薦 前 節 で 類 似 度 を 求 め る 2つ の 手 法 に つ い て 説 明 し た が ，本 節 で は こ れ ら 2つ の 類 似 度 を 用 い た 場 合 の 音 楽 情. 7.1. 類 似 度 の比 較 音 楽 情 報 を 推 薦 す る 特 定 の 個 人 に 対 し て ， 他 の 80. 報の推薦を行う手順，及び協調フィルタリングを用い. 人 の OWL と の 類 似 度 の 比 較 を 行 っ た ．5 節 で 示 し た 2. た場合の音楽情報の推薦を行う手順を説明する．. 種 類 の 類 似 度 算 出 法 を 用 い て ，OWL の 深 さ が 3 と 深 さ 4 の 場 合 の 類 似 度 ，お よ び Jaccard 係 数 に よ る 類 似 度 結. 6.1. 類 似 度 を用 いた場 合 の音 楽 情 報 推 薦 前節で定義した類似度を用いた場合の音楽情報推. 果を図 4 に示す．. 薦の手順を説明する．音楽情報を推薦してほしい人A. OWL 構 造 類 似 度 は Jaccard 係 数 よ り も 大 き な 値 と な. さんを基準とし，他の人との類似度の計算を行う．類. っ た ．ま た ，OWL 構 造 類 似 度 に お い て は ，深 さ 3 よ り. 似 度 の 計 算 を 行 っ た 人 数 の 上 位 数 %( 実 験 で は 10%) の. 深さ 4 の類似度が大きくなる結果となった．. 人 々 の OWLに 現 れ る「 曲 目 」を マ ー ジ す る ．マ ー ジ し た 音 楽 デ ー タ で 重 複 す る 曲 目 が あ れ ば 削 除 し ， Aさ ん の OWLに 含 ま れ る 曲 目 を 引 く ．以 上 の 手 順 よ り 出 来 上 が っ た OWLに 含 ま れ る 曲 目 に お い て ，デ ー タ タ イ プ プ ロ パ テ ィ “like”の 評 価 値 が 大 き い 順 に ，上 位 の 適 当 な 数 ま で の 曲 を Aさ ん に 提 示 し ， 評 価 を し て も ら う ． 評 価 に は 式 （ 5） に 示 す 推 薦 適 合 率 を 用 い た ． 推薦適合率 =. like評価の曲数 推薦全曲数. .. （5）. 式 （ 5） に お け る like評 価 と は ， Aさ ん に 推 薦 さ れ た 曲 を “ す ご く 好 き ”，“ 好 き ” ま た は “ 曲 を 知 ら な い が 聞 い て み た い ”（ 注 ： こ れ は ア ン ケ ー ト 項 目 に は な い ） 図4. と思った場合の評価である．この推薦適合率を用いる. Jaccard係 数 と OWL構 造 類 似 度 結 果 の 比 較. ことで，音楽情報推薦の各手法の評価を行った． OWL 構 造 類 似 度 の 深 さ の 異 な る 表 現 に よ る 類 似 度 の 差 は ，深 さ 3に 比 べ て 深 さ 4の OWLの 方 が sub genreの. 6.2. 協 調 フィルタリングを用 いた音 楽 情 報 推 薦 OWL で 表 現 さ れ た 音 楽 嗜 好 デ ー タ に 協 調 フ ィ ル タ. 階 層 が 増 え て い る 分 ， よ り 近 い 親 が LCAの 値 と な る た. リングを適用した場合の音楽情報推薦は，音楽情報を. め ，式（ 2）の 値 が 大 き く な り ，深 さ 4の OWL構 造 類 似. 推薦する人の曲に対する評価（データタイププロパテ. 度の値の方が大きくなったものと推察される．. ィ の like の 値 ）を 手 が か り に し て ， 音 楽 嗜 好 の 似 て い る人を見つける．そしてまだ視聴していない曲や評価. 7.2. 類 似 度 による推 薦 の比 較. を行わなかった曲の推薦度を推定することで，その人. Jaccard 係 数 と OWL 構 造 類 似 度 を 用 い た 場 合 の 音 楽. へ音楽情報推薦を行う．協調フィルタリングの式は，. 情 報 推 薦 を 比 較 し た ． 類 似 度 を 求 め る た め に OWL を 比 較 す る 人 数 を 40 人 ， 80 人 の 場 合 で そ れ ぞ れ 実 験 を. た と え ば [7]を 参 照 さ れ た い ．. 行 い ， さ ら に OWL の 深 さ 3 と 深 さ 4 の 場 合 に お け る 各手法による音楽情報推薦の推薦適合率を求めた．類. 7. 本 手 法 の 評 価 実 験 本手法による音楽情報推薦の性能を評価するため. 似 度 の 大 き か っ た 上 位 10%の 人 数 の 音 楽 嗜 好 デ ー タ を. に ， 2 つ の 類 似 度 （ Jaccard 係 数 （ 式 1）， OWL 構 造 類. 用いて音楽データの推薦を行い．求めた推薦適合率を. 似 度 (式 4）） に よ る 音 楽 情 報 推 薦 ， お よ び 協 調 フ ィ ル. 表 1 に示す．. タリングによる音楽情報推薦の比較実験を行った．使 用する音楽嗜好データは，アンケートにより収集した. 表 1. 81 人 分 の デ ー タ で あ る ． 7.1.で は 2 つ の 類 似 度 を 求 め. 類似度による推薦適合率 40 人 深さ 3. 80 人 深さ 3. 40 人 深さ 4. 80 人 深さ 4. る 手 法 に お け る 類 似 度 の 比 較 を 行 い ， 7.2.で は 2 つ の. Jaccard 係 数. 44%. 44.7%. 40%. 42%. 類 似 度 に よ る 音 楽 情 報 推 薦 の 結 果 を 示 す ． 7.3.で は 協. OWL 構 造 類 似 度. 35%. 44.7%. 58%. 62.5%. 調フィルタリングによる音楽情報推薦の結果を示し， 7.4.に お い て 類 似 度 に よ る 音 楽 情 報 推 薦 の 結 果 と 協 調. −280−. 表 1 よ り ， Jaccard 係 数 に よ る 推 薦 適 合 率 は 人 数 や.
(5) OWL の 深 さ を 変 え て も 大 き な 変 化 は 見 ら れ な か っ た ．. フィルタリングよりも推薦適合率が高くなったことで，. こ れ は ， Jaccard 係 数 を 求 め る に は 2 人 の OWL の ノ ー. 本手法の有効性をある程度確認できた．. ド の 積 集 合 /和 集 合 で 計 算 さ れ る た め ， OWL の 構 造 が 表 3. 深 さ 3 ま た は 深 さ 4 で あ っ て も ，sub genre が あ る か な 変化は見られなかったためと考えられる． OWL 構 造 類 似 度 の 場 合 は ，比 較 人 数 や OWL の 深 さ を変えることで変化が見られた．特に深さが 3 から 4 になった場合の推薦適合率が大きく向上していること が 表 1 か ら 分 か る ． こ の 理 由 と し て ， OWL の 構 造 が sub genre の 階 層 を 追 加 し 深 さ ４ に な る こ と で 、音 楽 情 報 を 推 薦 す る あ る 人 の 嗜 好 に 近 い 別 の 人 の OWL と の 類 似 度 が OWL の 構 造 の 深 さ 3 の 場 合 に 比 べ て 高 く な る た め と 考 え ら れ る ． つ ま り ， OWL の 構 造 を 拡 張 し ， より詳細な音楽情報を付与することで，より個人の音 楽嗜好に近い曲が推薦されるので，推薦適合率が向上 し た と 思 わ れ る ． 人 数 を 40 人 か ら 80 人 に 増 や し た 場 合の推薦適合率の向上は，音楽情報を推薦する人の嗜 好 に 近 い 人 の OWL が 増 え る こ と か ら ， よ り 好 ま れ る 曲が推薦されたためであると考えられる．. 各手法による推薦適合率 40 人 深 さ 4. い か の 違 い で あ る か ら ，Jaccard 係 数 の 値 に 特 に 大 き な. 80 人 深 さ 4. Jaccard 係 数. 40%. 42%. OWL 構 造 類 似 度 協調フィルタリング. 58% 20%. 62.5% 25%. 8. お わ り に 本研究では，個人の嗜好データとして音楽嗜好デー タを取り上げ，アンケートにより収集した音楽嗜好デ ー タ を オ ン ト ロ ジ ー 記 述 言 語 と し て 代 表 的 な OWL で 表 現 し た ．OWLの 類 似 度 を Jaccard係 数 と 一 般 化 コ サ イ ン 類 似 度 を 拡 張 し た OWL構 造 類 似 度 の 2種 類 の 方 法 で 類似度を算出し，適用分野として，音楽情報の推薦例 を報告した．また，協調フィルタリングによる音楽情 報の推薦も行い，本手法との比較実験を行った． 今 後 の 課 題 と し て ，OWLの 特 徴 で あ る 多 種 多 様 な セ マンティックス（属性）を付与したノードをデータタ イププロパティとして付加できる機能を活用して “like”，“have”以 外 の デ ー タ タ イ プ プ ロ パ テ ィ を 使 っ た. 7.3. 協 調 フィルタリングによる推 薦 協調フィルタリングを用いて，推薦する 1 人に対し て 推 薦 の た め に 利 用 す る 人 数 を 40 人 と 80 人 の ２ つ の 場合で，音楽情報の推薦を行った．なお，評価に用い る指標は，類似度による音楽情報推薦でも用いた推薦 適合率を用いた．表 2 に協調フィルタリングによる推 薦適合率の結果を示す． 表 2. 比 較 実 験 , 音 楽 情 報 の 推 薦 シ ス テ ム （ GUI） の 作 成 ， コールドスタート問題への対処，音楽以外のデータを 本手法に適応した場合の有効性を示すこと，等が挙げ られる． 謝辞 本研究は，電気通信普及財団の援助を受けて 行いました．. 文. 協調フィルタリングによる推薦の推薦適合率 推薦適合率. 音 楽 情 報 の 推 薦 ， Edit Distance等 ， 異 な る 類 似 度 で の. 40 人. 80 人. 20%. 25%. 表 2 よ り ，40 人 を 用 い た 場 合 の 協 調 フ ィ ル タ リ ン グ の 推 薦 適 合 率 は 20%と い う 結 果 に な っ た ．協 調 フ ィ ル タリングは，精度を増すためには母数の人数を増やす 必 要 が あ る た め ， 人 数 を 40 人 の 倍 の 80 人 に 増 や し て 推 薦 適 合 率 を 求 め る と 25%と な り ，多 少 の 適 合 率 の 向 上が観測された．. 7.4. 類 似 度 による推 薦 と協 調 フィルタリングによる推 薦 の比 較 類似度を用いた場合の音楽情報推薦と協調フィルタ リングによる音楽情報推薦の結果を比較するため，各 手 法 に よ り 求 め た 推 薦 適 合 率 を 表 3 に 示 す ．表 3 よ り ， 本 手 法 で あ る OWL の 構 造 的 な 類 似 度 を 用 い る OWL 構 造 類 似 度 （ 深 さ 4） の 推 薦 適 合 率 が 大 き な 値 と な る こ とが分かる．情報フィルタリングの一手法である協調. 献. [1] Greg Linda ， Brent Smith ， and Jeremy York ， “Amazon.com Recommendations Item-to-Item Collaborative Filtering，” IEEE Internet Computing， Jam-Feb.2003， pp.76-80， 2003 [2] 宮 上 大 輔 ，河 合 由 紀 子 ，田 中 克 己 ，“ A3:オ ン ト ロ ジーの共有によるユーザ適応のためのフレーム ワ ー ク の 提 案 ，” DBWS 2004， no.I-3， 2004 [3] 小 原 恭 介 ， 山 田 剛 一 ， 絹 川 博 之 ， 中 川 裕 志 ， “ Blogger の 嗜 好 を 利 用 し た 協 調 フ ィ ル タ リ ン グ に よ る Web 情 報 推 薦 シ ス テ ム ，” The 19th Annual Conference of the Japanese Society for Artificial Intelligence， 2005， no.2C2-02， 2005 [4] 岩 濱 数 宏 ， 土 方 嘉 徳 ， 西 田 正 吾 ，“ 決 定 木 を 用 い た音楽情報フィルタリングシステムとその有効 性 の 検 証 ”， 電 子 情 報 通 信 学 会 論 文 誌 ， D-I Vol.J88-D-I， No.3 ， pp.642-656， 2005 [5] Protégé， http://protege.stanford.edu/ [6] P. Ganesan, H.G. Molisa, J. Windom, “Exploiting Hierarchical Domain Structure to Computer Similarity,” ACM. Trans. Inf. Sys. Vol.21, No.1, pp.64-93, 2003. [7] 古 川 貴 志 ，増 田 宏 ，“ ユ ー ザ 操 作 可 能 な 協 調 フ ィ ル タ リ ン グ 推 薦 に 関 す る 研 究 ，” 東 京 大 学 教 養 学 部 修 士 論 文 ， 2002. −281−.
(6)
関連したドキュメント
In this paper, based on a new general ans¨atz and B¨acklund transformation of the fractional Riccati equation with known solutions, we propose a new method called extended
「旅と音楽の融を J をテーマに、音旅演出家として THE ROYAL EXPRESS の旅の魅力をプ□デュース 。THE ROYAL
「１．地域の音楽家・音楽団体ネットワークの運用」については、公式 LINE 等 SNS
・ぴっとんへべへべ音楽会 2 回 ・どこどこどこどんどこ音楽会 1 回 ステップ 5.「ママカフェ」のソフトづくり ステップ 6.「ママカフェ」の具体的内容の検討
英国のギルドホール音楽学校を卒業。1972
2017 年夏より始まったシリーズ 企画「SHIRAI’s CAFE」。自身も 音楽に親しむ芸術監督・白井晃
セットで新規ご加入いただくと「USEN音楽放送」＋「USEN Register」＋「USEN光」の 月額利用料を 最大３０％割引 します。
情報 システム Web サービス https://webmail.kwansei.ac.jp/ （https → s が 必要 ）.. メール
