[发明专利]一种音乐自动标签方法

说明书

本发明公开了一种音乐自动标签方法，涉及音乐智能分类处理领域，具体方案为：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。本发明提供的一种音乐自动标签方法根据不同的标签构建相应的标签词典，同样在标注文本标签时，计算待标注文本对各个标签词典的相似度，将相似度与Albert模型结果的概率加权计算得出最终的标签。

技术领域

本发明涉及音乐智能分类处理领域，更具体地说，它涉及一种音乐自动标签方法。

背景技术

就音乐的主题而言，有表达男女之间爱情的情歌，有歌颂祖国和描述祖国发展的红歌，或者包含宗教信仰的佛乐等，歌词中的一些关键词能够直接揭示歌曲的主题，比如：“红军”一定程度上就可能是“红歌”，而带有“分手”这一关键字很大可能是“情歌”。2020年歌曲《我和我的祖国》广受传唱，他就有歌词“我和我的祖国一刻也不能分割”，从歌词就能直观感受到它是一首爱国红歌。

再说情感方面，音乐有跌宕起伏的特性，在歌曲创作时往往会将情感与乐曲的推进进行结合。语序中的转折，递进之后表达的情绪更能表达整首歌的情感趋向。举个例子，情歌《分手快乐》的歌词从一开始的“可是我多么不舍，朋友爱得那么苦痛。”其中的“不舍”和“苦痛”都代表该音乐的情感状态是“伤感”，但是后面歌词又有“你发誓你会活得有笑容，你自信时候真的美多了”，歌词中的“自信”和“笑容”都能说明音乐表达感情是释怀后的“放松”。

而现有技术中，传统文本分类方法侧重于数据的处理工作属于浅层学习，无法有效挖掘文本深度信息。深层学习更注重于挖掘深层语义信息，因此很多研究用预训练的词向量搭配卷积神经网络构建文本分类模型，但是卷积神经网络传统结构感受范围不广泛，如果要通过拓宽卷积窗口来加大感受野则会大大增加参数量。

发明内容

为解决上述技术问题，本发明提供一种音乐自动标签方法，通过语序中的转折，递进之后表达的情绪更能表达整首歌的情感趋向，而Albert能接收位置编码，让歌词顺序参与到歌词的情感分类。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种音乐自动标签方法，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；