音乐内容和歌词相结合的歌曲情感分类方法研究

论文摘要

在当今数字化的信息时代,互联网对人们生活影响巨大,大量音频、文本、图像等信息出现在网络之上。如何对海量的歌曲信息进行有效分类检索是信息处理领域的研究热点,而音乐内容和歌词相结合的歌曲情感分类方法能够较好地解决此类问题。然而,该分类方法还存在着歌曲情感多义性、分类结果有效结合等问题。针对这些问题,本文对音乐内容和歌词相结合的歌曲情感分类方法进行了研究,主要完成了以下工作:（1）分析并总结了歌曲情感的音乐内容和歌词分类方法的优缺点;（2）提出了一种基于向量夹角的多标记k近邻（θ-Multilabel k Nearest Neighbor,θ-MLkNN）分类和词频与倒文档频度（Term Frequency*Inverse Document Frequency, TFIDF）相结合的歌曲情感分类方法,将歌词内容分类正确的类别标记修正音乐内容分类错误的类别标记,以提高歌曲情感分类的准确率;（3）建立了一种θ-MLkNN算法与基于歌词的歌曲情感检测相结合的歌曲情感分类方法,在该结合方法中通过对歌词结果的聚类分析,对情感值的阈值的计算,确定了歌词、音乐内容的分类结果,并用线性融合的方法优化了分类的结果,确定了歌曲情感各个类别的重要程度,提高了歌曲情感分类结果的准确率;（4）将提出的歌曲情感结合分类方法在由396首英文歌曲组成的数据集进行了实验,并将结果与MLkNN方法进行了比较,验证了方法的有效性。最后,论文对所做的工作进行了总结,并对以后将要研究的内容进行了展望。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 论文研究工作
• 1.4 论文内容安排
• 第二章 歌曲情感分类方法
• 2.1 音乐情感表示模型
• 2.2 基于音乐内容的歌曲情感分类方法
• 2.2.1 声学表示
• 2.2.2 分类方法
• 2.3 基于歌词的歌曲情感分类方法
• 2.4 音乐内容和歌词相结合的情感分类方法
• 2.5 歌曲情感分类应用
• 2.6 本章小结
• 第三章 基于向量夹角的多标记k 近邻分类
• 3.1 多标记学习
• 3.2 基于向量夹角的多标记k 近邻分类
• 3.2.1 算法基本思想
• 3.2.2 算法步骤
• 3.2.3 算法评价指标
• 3.4 本章小结
• 第四章 θ-MLkNN 与TFIDF 相结合的歌曲情感分类方法
• 4.1 TFIDF 规则
• 4.2 分类结合方法
• 4.3 实验设计及分析
• 4.4 本章小结
• 第五章 θ-MLkNN 与基于歌词的歌曲情感检测相结合的分类方法
• 5.1 基于歌词的歌曲情感检测
• 5.1.1 歌词情感向量空间模型
• 5.1.2 歌词情感计算
• 5.2 分类结合方法
• 5.2.1 分类结合方法步骤
• 5.2.2 基于聚类的阈值选择方法
• 5.3 实验设计及分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 研究内容总结
• 6.2 未来工作展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢