KNN算法流行音乐中的情感挖掘(3)
在音乐的高层语义特征中,情感语义是超越旋律语义的更高层次特征。所以考虑用户的情感需求在音乐的搜索中是非常有必要的。具资料显示，现在已有的比较成熟的音乐检索方法是通过音乐的各种特征的组合，分析音频的内容，再加上响度，音调等音频信号的感知特征，还有过零率等物理特征对音乐进行分析。而主要的依据，还是用户的听觉的内容相似性，根据用户所给出的音乐情感特征。而这种方法，对于音乐邻域研究的人员或是对音乐熟悉的人是比较有效果的。能反映音乐专家对一首歌的情感标注，而且具有一定的指导意义。但是，在现实生活中，普通的用户都不是音乐的专家，每个人对于音乐都有自己不同的看法和观点。所以利用音乐的专业特征的输入依据，对音乐进行搜索很可能不是用户所需要的。此时，结合音乐专业人员的推荐和普通用户对音乐的情感标注来搜索音乐就非常有必要。
1.1.2 情感分类
人类的情感复杂多样，具有多变性，同时现在人们对情感的认识不够全面和深入，在心理学的领域，对于情感的划分还没有一个公认的标准。所以在各个不同的研究邻域和专业研究的不同，对于情感的分类也各不相同。音乐情感认知是多媒体内容理解、智能人机交互的重要组成部分,但受限于音乐心理学和音乐理论的发展。
具相关资料显示，目前有关于音乐情感建模方法的研究，只是在特定的音乐风格或者情感颗粒较粗的低文情感系统的场合有所运用。例如,在日本的流行音乐的发展研究中，H.Katayose等人提出利用启发式规则运用于情感的分析系统中。而在中国古时候的编钟音乐，刘涛等人利用专家知识，提炼了模糊规则进行情感认知推理的研究。同时还有根据音乐中所提取的节奏，音强，音高的变化，还有其他音乐特征，采用模糊分类器对MIDI音乐进行分析，并将约翰斯特劳斯的圆舞曲分为了五种情感类型。运用统计分析或者机器学习理论，基于数据模型的方法所建立的关键变量和其他可测变量的模型，具有很多优点，模型的结构统一，建模的方法简单，同时运行文护又较为方便，而且模型的精度还较高。所以非常实用与高文度的复杂认知的过程。同时还有刘等人的利用GMM的层次化分类体系识别音乐的情感。应用SVM方法识别音乐情感。也有比较KNN、GMM、SVM3类方法，从而解析歌词，辅助了解音乐情感的分类。
1.2 国内外发展现状
1.3论文研究内容与研究意义
1、 对流行音乐及其情感之间的关系、歌词情感进行详细分析，将计算机领域，音乐领域的相关知识相结合，建立使用于本次研究的情感模型，并构造相适用的情感词汇与类别对应表；
2、 学习和了解现有的中文文本分类方法、其基本的原理和所运用的相关技术，明确歌词情感分类的具体步骤，并根据研究过程不断做出适当调整；
3、 根据现有的技术和方式，通过分析比较，采用适用于本次研究的技术，更好的实现对歌词进行分词，并且选取有效合理的特征项， 更准确的对将表达情感的词汇进行分类；
4、 学习相关数据挖掘信息，采用适合本次研究的算法，对挑选出的特征项，进行词频统计，并利用相关算法计算出各类词汇的情感权重；
5、 将歌词中所能体现情感的特征词，根据词汇类别对应表，进行情感分类
本论文挖掘流行音乐中的情感，从音乐歌词所包含的情感分类技术出发，在现有歌词分类方法的基础上，与音乐领域的相关知识相结合，构建情感所对应的情感词汇表，将中文文本分类的方法应用于流行音乐的情感分类中，结合相应的计算机技术，编写相应程序代码，通过相关实验进行验证。
下一篇：幼教类Flash小型网站设计