基于文本挖掘与神经网络的音乐风格分类建模方法

doi:10.11959/j.issn.1000-0801.2015179

摘要/Abstract

摘要：

针对人工区分音乐风格会造成音乐风格关系不清以致混乱和某些歌曲难以人工划分其风格等问题，以歌曲的歌词数据为基础，分析歌曲所表达的情感，以划分其归属。运用机器学习算法的BP神经网络，建立一个音乐风格预测模型，对模型进行了合理的理论证明和推导。实验选用MATLAB作为建模工具，根据算法自身特点确定训练参数。随机从数据集中抽取10%的记录作为测试。该方法的结果显示，理论结果与数据模拟结果比较吻合，准确率达到80%。

关键词: 神经网络, 文本挖掘, 网络爬虫, 音乐分类

Abstract:

In terms of the confusion of music style ambiguous relationships caused by artificial classification and the problem that some songs cannot be classified into the proper style，the emotion of songs based on their lyrics to classify their belongings was analyzed.BP neural network was used to establish a music style forecast model and then a reasonable proof of the theory and derivation was made.This experiment use MATLAB as a modeling tool and determine the training parameters according to its characteristics，and then extract 10% from dataset to test.This approach shows that theoretical results and data simulation results agree well with the accuracy rate reached about 80%.

Key words: neural network, text mining, Web crawler, music classification

张键锋,王劲. 基于文本挖掘与神经网络的音乐风格分类建模方法[J]. 电信科学, 2015, 31(7): 79-85.

Jianfeng Zhang,Jin Wang. A Classification Method of Music Style Based on Text Mining and Neural Network[J]. Telecommunications Science, 2015, 31(7): 79-85.

图/表 6

表1

图1

图2

图3

图4

图5

符号	说明
X	模型输入层向量，即各个歌名、歌词信息分词得到的统计值
h_i	模型隐含层输入向量
h_o	模型隐含层输出向量
W_ho	模型元素间连接权重，即每个倾向词的倾向度权重
Y_o	模型隐含层输出数值，即最后的文本倾向值
y_i	模型输出层输入向量
y_o	模型输出层输出向量
d_o	模型期望输出向量
M	模型最大学习次数
e	模型误差函数
ε	模型训练精度值

1	jsoup. ， 2015
2	ICTCLAS. ， 2015
3	潘文彬 . 基于情感词词典的中文句子情感倾向分析（硕士学位论文）. 北京邮电大学， 2011 Pan W B . The sentimental orientation analysis of sentence based on sentiment dictionary（master dissertation）. Beijing University of Posts and Telecommunications， 2011
4	Lin P Y ， Lin Z J ， Kuang B Q ，et al. A short chinese text incremental clustering algorithm based on weighted semantics and naive Bayes. Journal of Computational Information Systems， 2012，8（10）： 4257～4268
5	Hagan M T ， Demuth H B ， Beale M . Neural Network Design. PWS Pub Co， 2002
6	Mitchell T . Machine Learning. Boston： MIP Press， 2002

[1]	刘思聪, 苏丹萍, 卫天阔, 王先耀. 基于多节点协作的鲁棒可见光智能定位[J]. 电信科学, 2023, 39(5): 28-41.
[2]	卢敏, 秦泽豪, 陈志辉, 张敏, 乐光学. 基于1D-Concatenate的信道估计DNN模型优化方法[J]. 电信科学, 2023, 39(4): 71-86.
[3]	刘璐, 杨丹, 陈睿杰, 李嘉, 周熹. 基于KPCA-GA-BP神经网络的POI质量预测研究[J]. 电信科学, 2023, 39(1): 108-116.
[4]	李奕江, 叶会标, 谢仁华, 楼佳丽, 庄丹娜, 李传煌. 基于图神经网络的网络性能智能预测[J]. 电信科学, 2022, 38(3): 143-157.
[5]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[6]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[7]	陈靓, 钱亚冠, 何志强, 关晓惠, 王滨, 王星. 深度卷积神经网络的柔性剪枝策略[J]. 电信科学, 2022, 38(1): 83-94.
[8]	赵进, 杨小军. 基于GRW和FastText模型的电信用户投诉文本分类应用[J]. 电信科学, 2021, 37(6): 125-131.
[9]	孙姝君, 彭盛亮, 姚育东, 杨喜. 基于深度学习的调制识别综述[J]. 电信科学, 2021, 37(5): 82-90.
[10]	陈向荣. 基于多层感知机模型的天线方位角诊断[J]. 电信科学, 2021, 37(4): 90-96.
[11]	刘子豪, 贾小军, 张素兰, 徐志玲, 张俊. 一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法[J]. 电信科学, 2021, 37(3): 133-145.
[12]	张捷, 杨丽花, 王增浩, 呼博, 聂倩. 一种新型的基于深度学习的时变信道预测方法[J]. 电信科学, 2021, 37(1): 39-47.
[13]	曹靖城, 张继东, 史国杰. 一种使用边缘增强技术提高相似图片检索召回率的方法[J]. 电信科学, 2021, 37(1): 76-84.
[14]	郭锐,冉凡春. 基于卷积神经网络的极化码译码算法[J]. 电信科学, 2020, 36(6): 119-124.
[15]	庞涛,丘海华,潘碧莹. 手机终端人工智能关键技术研究[J]. 电信科学, 2020, 36(5): 145-151.