[发明专利]一种音乐自动标签方法

权利要求书

1.一种音乐自动标签方法，其特征在于，包括以下步骤：

S1：获取若干首音乐样本，音乐样本中至少包括“音乐主题”、“情感状态”和“场景”标签；

S2：设置初始模型，对音乐样本进行机器学习训练，得到自动标签模型；

S3：通过自动标签模型对未知音乐进行标签；

S2过程中，初始模型包括Embedding层、Transformer层、TextCNN层和sigmoid层，其中，

Embedding层用于获取音乐样本，并对音乐样本进行处理，处理过程包括以下步骤：

S2101：将音乐样本中所有句子的长度补充到相同大小，文字信息标为1，填充部分标为0；

S2102：使用Token Embeddings获得原来的字向量，position Embeddings获取位置信息，Segment Embeddings获取句子上下文信息；

S2103：输出结果；

Transformer层得到S2103的输出结果，并进行处理，处理过程包括以下步骤：

S2201：让每个向量表示获取全句的特征信息；

S2202：将Embeddings_size＝128做矩阵进行维度变换为hidden size＝384；

S2203：将层进行分组，再将组内第一层的参数共享到组内后面的encoder结构中，使得一组结构只学习第一层encoder的参数；

S2204：开始训练self-attention和全连接层；

S2205：得到训练结果；

TextCNN层得到S2205的训练结果并进行处理，处理过程包括以下步骤：

S2301：设置卷积核大小为[2,3,4,5,6]；

S2302：五种大小不同的卷积核在Transformer层输出的语句向量矩阵中自上而下滑动，将矩阵从(max_seq_length，Embeddings_size)卷积成(max_seq_length-fws+1，1)；

S2303：获得每个fws下的特征向量，再将5个fws特征向量拼接输入到sigmoid层中；

sigmoid层得到S2303结果后进行处理，处理过程包括以下步骤：

S2401：将TextCNN向量结果输入到全连接层映射到最后的结果层，结果向量固定为21个维度，21个维度分别对应歌词文本的21种不同的标签；

S2402：使用sigmoid函数作为输出层的激活函数；

S2403：将每个单独的标签的输出在[0,1]之间，并设置阈值大小对比判断进行二分算计。

2.根据权利要求1所述的音乐自动标签方法，其特征在于，所述S1过程中，包括“音乐主题”、“情感状态”和“场景”标签的音乐样本的获取方法步骤以下步骤：

S101：获取原始歌曲若干首；

S102：通过现有标签，对原始歌曲进行人为标签填充；

S103：将原始歌曲进行歌词文本拆分，使得歌词对应“情感状态”的对应标签；

S104：对情感表达不明确的内容进行清洗。

3.根据权利要求2所述的音乐自动标签方法，其特征在于，所述S104过程中，情感表达不明确的内容至少包括外语、梵文、不便于识别的符号和纯音乐。

4.根据权利要求1所述的音乐自动标签方法，其特征在于，所述S2过程中，抽取80％的数据作为训练集，剩下的数据作为测试集和验证集。