[發明專利]基于自適應CNN和半監督自訓練模型的音樂分類方法

有效

• 申請號: 202011464477.7
• 申請日: 2020-12-14
• 公開（公告）號: CN112487237B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 張旭;羅朗;陳賢
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F16/65
• 分類號: G06F16/65;G06F16/683;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

本發明屬于機器學習、推薦系統以及文本分類領域，具體涉及一種基于自適應CNN和半監督自訓練模型的音樂分類方法，該方法包括：首先分析了音樂的精細分類對于用戶選擇的重要性，通過自然語言處理技術提取出與該項目有關聯的音樂歌詞特征和情感特征，然后使用基于注意力機制的神經網絡對這些特征進行提取、初步分類；最后根據半監督自訓練的方法對每一首歌進行精細分類；本發明通過將自適應CNN模型和半監督自訓練模型組合，對音樂數據進行精細劃分，使用戶能準確的查找到自己喜歡的音樂，節約了用戶的時間，提高了查找的精準度。

技術領域

本發明屬于機器學習、推薦系統以及文本分類領域，具體涉及一種基于自適應CNN和半監督自訓練模型的音樂分類方法。

背景技術

隨著網絡技術的飛速發展，在線音樂規模不斷擴大，互聯網上可供用戶選擇的音樂呈指數級增長。對于音樂而言,情感是最為本質的特征，然而大部分音樂對于情感的分類不明確，導致了對音樂分類不夠細致，而且用戶喜好的音樂類型可能包含多種音樂風格，導致待分類音樂規模較大，音樂分類難度大，使得用戶難以找到自己喜歡的音樂。因此，在進行音樂進行分類的過程中，除了需要先對音樂歌詞本身進行向量轉換，還需要對其中隱含的情感特征進行抽取，以便能從音樂本身提取到足夠的特征。

由于音樂歌詞中包含了作者賦予音樂的情感，羅基敏等人認為音樂與歌詞之間存在互動關系，歌詞對于人們不僅有聽覺上的美感還有情感的共鳴。目前，文本分類已經廣泛應用于垃圾郵件判定，為圖文視頻打標簽，電商評論分析等多個研究領域。在音樂領域中，也有一些研究提出了使用機器學習算法來對音樂進行一級分類，Zhu等人提出利用支持向量機的方法對音樂進行分類；Zhen等人提出利用前向神經網絡對音樂進行分類；Jia等人提出利用LSTM對歌詞提取時序特征，進而實現對歌曲的分類。目前，對于音樂的分類是基于歌詞本身，尚未挖掘歌詞中包含的深層次的情感屬性，且將兩部分結合起來的模型。與此同時，監督的分類算法需要有大量的標簽數據，然而在海量的數據中，獲得大量的標簽數據需要大量的人工，且依靠人為方式劃分音樂風格存在很多弊端，如分類效率低、音樂風格歸屬判斷困難大等問題。

發明內容

為解決以上現有技術存在的問題，本發明提出了一種基于自適應CNN和半監督自訓練模型的音樂分類方法，該方法包括：

S1：獲取歌曲的歌詞數據，將獲取的歌詞數據輸入到數據庫的列表中；

S2：采用預訓練的Bert模型對列表中的歌詞數據進行處理，轉化為句子向量；

S3：采用DUTIR中文情緒識別模型提取列表中歌詞數據的情感，得到情感特征向量；

S4：將句子向量和情感特征向量進行拼接，得到拼接向量；

S5：將拼接向量輸入到訓練好的自適應CNN模型中進行初步分類，得到初步分類結果；

S6：將初步分類結果輸入到半監督自訓練模型進行精細分類，得到精細劃分標簽；

S7：根據精細劃分標簽對輸入的音樂數據進行精細分類。

優選的，對自適應CNN模型進行訓練的過程包括：

步驟1：獲取歌曲庫中的歌曲數據，對各首歌曲數據進行預處理，得到模型訓練樣本集；

步驟2：將訓練樣本集中的拼接向量輸入到自適應CNN模型的Attention層，提取拼接向量的關鍵信息；

步驟3：將拼接向量輸入到自適應CNN模型的卷積層提取關鍵信息的主要特征；主要特征的獲取包括采用不同大小的卷積核分別提取關鍵信息的不同的特征和隱藏特征，將所有提取的不同特征和隱藏特征進行融合，得到主要特征；

步驟4：將主要特征輸入到最大池化層降低特征維度，得到初步分類結果，完成自適應CNN模型的訓練。