[发明专利]建立音乐分类模型的系统、推荐音乐的系统及相应方法

说明书

技术领域

本发明涉及计算机技术领域，特别涉及一种建立音乐分类模型的系统及方法，以及一种推荐音乐的系统及方法。

背景技术

现有技术对音乐风格的描述方式通常为利用文本标签特征。基于文本标签的音乐风格分类，依靠用户的收听行为和喜好为不同音乐打上不同维度的特征标签，利用文本处理技术进行音乐分类与个性推荐。

现有基于上述文本标签的音乐推荐技术最大的缺陷是对于一些冷门歌曲不利，用户很少听到这些歌曲，文本标签过少，导致“越热门的歌曲越容易被推荐”，“越冷门的歌曲越不容易推荐”的循环，造成“冷门效应”，对冷门歌曲不公平。

发明内容

本发明提供了一种建立音乐分类模型的系统及方法以及一种推荐音乐的系统及方法，用以解决现有技术的音乐分类模型不科学和音乐推荐的效果较差的问题。

具体技术方案如下：

一种建立音乐分类模型的系统，包括：第一特征提取单元，用于针对训练数据中的各音乐提取不同维度的声学特征向量，所述训练数据为预先选择的不同音乐风格的音乐；第一特征拼接单元，用于针对各音乐将所述不同维度的声学特征向量按照预设的顺序拼接成超向量；模型训练单元，用于利用不同音乐风格的各音乐的超向量训练高斯混合模型。

根据本发明一优选实施例，还包括：模型库单元，用于根据训练得到的所述高斯混合模型，构建模型库。

根据本发明一优选实施例，还包括：第一特征降维单元，用于去除所述超向量中各维声学特征向量的相关性信息后，将各音乐的超向量提供给所述模型训练单元。

根据本发明一优选实施例，所述声学特征向量为：歌曲的速度特征、力度特征、音色特征和旋律特征中的任意组合构成的声学特征向量；其中所述速度特征采用每分钟的敲击次数BPM表征，所述力度特征采用频率中心表征，所述音色特征采用泛音和谐波频率表征，所述旋律特征采用频率倒谱系数MFCC表征。

根据本发明一优选实施例，模型训练单元根据所述超向量，对同一风格音乐的不同维度声学特征向量分别求符合高斯分布的概率密度函数，以及对求得的各概率密度函数进行线性组合，得出该风格音乐的高斯混合模型。

根据本发明一优选实施例，还包括：用户反馈单元，用于获取用户对当前收听音乐所反馈的结果；自适应调整单元，用于根据所述反馈的结果以及所述当前收听音乐的超向量对高斯混合模型进行自适应调整。

根据本发明一优选实施例，自适应调整单元触发模型训练单元利用用户当前收听音乐的超向量训练一个临时高斯混合模型，并根据所述反馈的结果为所述临时高斯混合模型取预设的权重，利用该权重将所述临时高斯混合模型与所述当前收听音乐当前归属的高斯混合模型进行线性组合，完成所述自适应调整。

一种推荐音乐的系统，包括：第二特征提取单元，用于针对用户当前收听音乐提取不同维度的声学特征向量；第二特征拼接单元，用于将所述不同维度的声学特征向量按照预设的顺序拼接成所述用户当前收听音乐的超向量；匹配单元，用于将用户当前收听音乐的超向量与高斯混合模型进行模式匹配，以确定所述用户当前收听音乐所属的音乐风格；推荐单元，用于向用户推荐属于所述匹配单元确定的音乐风格的其它音乐；其中，所述高斯混合模型为上述建立音乐分类模型的系统得出的高斯混合模型。

根据本发明一优选实施例，当所述高斯混合模型为通过上述第一特征降维单元得出的高斯混合模型时，所述推荐音乐的系统还包括：第二特征降维单元，用于去除所述用户当前收听音乐的超向量中各维声学特征向量的相关性信息后，将所述用户当前收听音乐的超向量提供给所述匹配单元。

根据本发明一优选实施例，推荐单元采用欧氏距离衡量用户当前收听音乐的超向量与属于所述匹配单元确定的音乐风格的其它音乐的超向量的相似度，并向用户推荐最相似的至少一首音乐；或者，向用户随机推荐属于所述匹配单元确定的音乐风格的其它音乐。

一种建立音乐分类模型的方法，包括下列步骤：A1、针对训练数据中的各音乐提取不同维度的声学特征向量，所述训练数据为预先选择的不同音乐风格的音乐；A2、针对各音乐将所述不同维度的声学特征向量按照预设的顺序拼接成超向量；A3、利用不同音乐风格的各音乐的超向量训练高斯混合模型。

根据本发明一优选实施例，所述步骤A3之后还包括步骤：A4、根据训练得到的所述高斯混合模型，构建模型库。

根据本发明一优选实施例，所述步骤A2之后，A3之前还包括步骤：A20、去除步骤A2中所述超向量中各维声学特征向量的相关性信息，以及所述步骤A3中利用去除相关性信息后所得的超向量训练高斯混合模型。