CN101697278A - 音乐情感距离的度量方法 - Google Patents
音乐情感距离的度量方法 Download PDFInfo
- Publication number
- CN101697278A CN101697278A CN200910110671A CN200910110671A CN101697278A CN 101697278 A CN101697278 A CN 101697278A CN 200910110671 A CN200910110671 A CN 200910110671A CN 200910110671 A CN200910110671 A CN 200910110671A CN 101697278 A CN101697278 A CN 101697278A
- Authority
- CN
- China
- Prior art keywords
- music
- emotion
- snatch
- distance
- composition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种音乐情感相似度的衡量方法,包括如下步骤:接收音乐片段;分析音乐片段的情感成分;确定音乐片段的主情感成分;重复前述步骤对所有音乐进行同样的处理;对音乐片段进行分类;计算音乐片段之间的情感距离;根据音乐片段间的情感距离确定音乐情感相似度。通过计算音乐之间的情感距离,可以准确衡量音乐之间的情感相似度,为具有相似情感的音乐检索提供一种有效的手段。
Description
【技术领域】
本发明涉及信息处理技术领域,尤其涉及一种衡量音乐之间的情感相似度的音乐情感距离的度量方法。
【背景技术】
音乐已经成为人们日常生活中不可缺少文化娱乐信息之一,占有重要的地位。音乐的数量也在逐渐增长,数目越来越庞大。不同的用户往往喜欢不同类型的音乐,即包含了不同的情感的音乐。而且有时候在具有不同的心情时,也需要听一些同类的切合当时心情的音乐。如何在成千上万的音乐中找到合适的音乐,是一个较为重要的问题。
目前在较大的搜索网站中都提供音乐搜索,如google音乐提供一种“挑歌”服务,把音乐的属性从三个方面进行描述:节奏从舒缓到强烈,音调从低沉到高亢,音色从丰富到单纯逐渐变化,并进行组合以挑出具有某种情感的音乐,这种检索方式往往带有一定的随意性。又如百度音乐提供称为“音乐心情”的检索服务,将音乐按照伤感、寂寞、甜蜜、温暖以及激情等进行分类。
上述的音乐分类或检索方法都带有较大的主观性,并不能精确描述音乐之间的情感相似度。
【发明内容】
鉴于此,有必要针对现有音乐情感分类及挑选方法带有较大的主观性,不能较为精确描述音乐之间的情感相似度的问题,提供一种衡量音乐之间的情感相似度的音乐情感相似度的衡量方法。
一种乐情感相似度的衡量方法,包括如下步骤:接收音乐片段;分析音乐片段的情感成分:确定情感分类模型,并根据所述情感分类模型分析所述音乐片段的情感成分,确定所述音乐片段中各情感成分所占的百分比,获得以所述百分比为元素、与所述音乐片段相关联的音乐情感向量;确定音乐片段的主情感成分:以所占比重最大的情感成分作为所述音乐片段的主情感成分;重复上述步骤对所有音乐进行同样的处理;对音乐片段进行分类:将主情感成分相同的音乐片段分为一类;计算音乐片段之间的情感距离:对属于同一类的音乐片段计算与各个音乐片段相关联的音乐情感向量之间的距离;根据音乐片段间的情感距离确定音乐情感相似度:情感距离越大,相似度越小;情感距离越小,相似度越大。
通过计算音乐之间的情感距离,可以准确衡量音乐之间的情感相似度,为具有相似情感的音乐检索提供一种有效的手段。
优选地,所述情感分类模型为Hevner情感环模型或thayer情感心理模型。
优选地,计算音乐片段之间的情感距离包括计算与音乐片段相关联的音乐情感向量之间的欧式距离,即用D(i,j)I表示第I类情感中第i个音乐片段Xi和第j个音乐片段Xj的距离:
D(i,j)I=dis(Pi,Pj)
其中Xi,Xj∈第I类情感的音乐,dis为计算距离的函数,Pi,Pj分别为Xi,Xj的情感成分,s为采用的情感分类模型中的情感类别数:
Pi=[ai,1,ai,2,...,ai,s,]
Pj=[aj,1,aj,2,...,aj,s,]
则音乐情感向量之间的欧式距离用下式计算:
【附图说明】
图1为计算音乐情感距离的流程图;
图2为Hevner情感环示意图。
【具体实施方式】
如图1所示,为计算音乐情感距离的流程图。具体包括步骤:
S10:接收音乐片段。音乐片段是指情感成分比较稳定的一段音乐。对于一首数分钟的歌曲,其情感基调一般都是确定的,因而其情感成分比较稳定,可以作为一个音乐片段。但是对于时间较长而且分章节,各章节间的音乐具有不同的情感的,例如交响曲等则不能作为一个音乐片段。
S20:分析音乐片段的情感成分:确定情感分类模型,并根据所述情感分类模型分析所述音乐片段的情感成分,确定所述音乐片段中各情感成分所占的百分比,获得以所述百分比为元素、与所述音乐片段相关联的音乐情感向量。
情感分类模型具有多种,根据不同的标准,可有多种不同的分类模型。例如常见的有Hevner情感环分类模型、Thayer情感心理模型。Hevner情感环分类模型将音乐的情感分为神圣、悲伤、向往、抒情、轻盈、快乐、热情以及生机8种(如图2所示)。Thayer情感心理模型将音乐的情感分为有活力-快乐、有活力-伤感、平静-快乐以及平静-伤感4种。
确定情感分类模型后,即可根据情感分类模型来分析一个音乐片段的情感成分,可以基于一定的情感成分分析算法来获得。对于一个确定的情感分类模型,以该分类模型中的所有情感类型作为分量构成一个音乐情感向量。对一个音乐片段进行情感成分的分析即是确定各情感类型的分量所占的百分比,并以所述百分比为元素得到与音乐片段相关联的音乐情感向量。
基于不同的情感分类模型,获得音乐情感向量有不同的方法。本实施例以Hevner情感环为例,来描述获得一个音乐片段的音乐情感向量的过程。
如图2所示,为Hevner情感环示意图。Hevner形容词表运用67个形容词描述艺术领域的不同情感属性,按照类别归入8个近义词簇表示属于相近情感反应的类型,根据其相互的关系构成了一个环形,称为Hevner情感环。其中任何一个环节都与它前后相邻的环节在情感逻辑上存在递进关系,即认为在理性的情绪变化中可以平滑过渡到它之前或之后的相邻情感。
通过对情感语义相似度的研究,得到如下关于音乐情感语义相似性度量的情感相似矩阵:
音乐情感天然的具有复合特性,这是由音乐感觉的多样性所引起的人对音乐所发生的复杂情感认知反应,孤立的用语言值或者语言表达式都无法表达这种复合特性。不同人对于音乐的情感内涵把握是不同的,但这种不同却遵从Hevner情感环约束,情感语义的相似度矩阵可以表示这种内在约束。
依据上述矩阵以其8个行向量获得8个情感基量ei(i=1~8)。
对于情感音乐向量定义如下运算:
加法运算:如果A,B是2个音乐情感向量,ai,bi(i=1,2...8)分别是向量中的元素,β1,β2为正的常数,则音乐情感向量的加法运算定义为
逻辑运算:
A∨B=(ai∨bi)1×8
A∧B=(ai∧bi)1×8
并且逻辑运算满足如下De Morgan法则:
1∧A=A
0∨A=A
音乐情感向量的加法运算对逻辑运算∧,∨满足如下分配律:
A+(B∨C)=(A+B)∨(A+C)
A+(B∧C)=(A+B)∧(A+C)
并且由上述定义进一步定义减法运算:
那么如果w=[w1,w2,...w8]为某首音乐关于Hevner情感环中8个情感分量的模糊分布,则根据情感向量的加法运算可以得到如下计算音乐情感向量的公式,其中ei为情感基向量。
S30:确定音乐片段的主情感成分:以所占比重最大的情感成分作为所述音乐片段的主情感成分。Hevner情感环具有8中情感成分,因此不同的音乐可以以这8种情感成分为主导情感成分。
S40:判断所处理的音乐是否是最后一首音乐,是则进行下一步处理,否则转到步骤S10。
S50:对所有音乐进行分类:将主情感成分相同的音乐片段分为一类。因此若以Hevner情感环模型为准可以将所有的音乐分为8类,若以Thayer情感心理模型为准可以将所有音乐分为4类。
S60:计算音乐之间的情感距离:对属于同一类的音乐片段计算各个音乐片段之间的距离。以下将音乐情感向量表示为:
P=[a1,a2,...,as] (1)
其中s为情感类别数,ai表示第i类情感成分,i=1,...,s。根据音乐的情感成分,判断其主情感成分类I(最大成分):
其中I=1,...,s。
对第I类情感,对其中的所有音乐计算相互之间的距离,构成M×M维的二维矩阵DI,其中M为该类中片段的个数。D(i,j)I表示第I类情感中第i个音乐片段Xi和第j个音乐片段Xj的距离:
D(i,j)I=dis(Pi,Pj) (3)
其中Xi,Xj∈第I类情感的音乐,dis为计算距离的函数,Pi,Pj分别为Xi,Xj的情感成分:
Pi=[ai,1,ai,2,...,ai,s,] (4)
Pj=[aj,1,aj,2,...,aj,s,] (5)
本实施例中采用欧式距离来表示音乐之间的情感距离,则:
因此,矩阵DI有以下性质:
D(i,j)I=D(j,i)I (7)
D(i,i)I=0 (8)
其中,i=1,2,...,M;j=1,2,...,M。
距离表DI以及其中的音乐即构成了第I类数据库。
对任一首音乐,确定其主情感成分类别I之后,根据距离矩阵DI可以获得其与同类其他音乐的所有距离。对这些距离进行排序后即可找到与该首音乐情感相似度很高的音乐。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种音乐情感相似度的衡量方法,其特征在于,包括如下步骤:
接收音乐片段;
分析音乐片段的情感成分:确定情感分类模型,并根据所述情感分类模型分析所述音乐片段的情感成分,确定所述音乐片段中各情感成分所占的百分比,获得以所述百分比为元素、与所述音乐片段相关联的音乐情感向量;
确定音乐片段的主情感成分:以所占比重最大的情感成分作为所述音乐片段的主情感成分;
重复上述步骤对所有音乐进行同样的处理;
对音乐片段进行分类:将主情感成分相同的音乐片段分为一类;
计算音乐片段之间的情感距离:对属于同一类的音乐片段计算与各个音乐片段相关联的音乐情感向量之间的距离;
根据音乐片段间的情感距离确定音乐情感相似度:情感距离越大,相似度越小;情感距离越小,相似度越大。
2.如权利要求1所述的音乐情感相似度的衡量方法,其特征在于,所述情感分类模型为Hevner情感环模型或thayer情感心理模型。
3.如权利要求1所述的音乐情感相似度的衡量方法,其特征在于,计算音乐片段之间的情感距离包括计算与音乐片段相关联的音乐情感向量之间的欧式距离,即用D(i,j)I表示第I类情感中第i个音乐片段Xi和第j个音乐片段Xj的距离:
D(i,j)I=dis(Pi,Pj)
其中Xi,Xj∈第I类情感的音乐,dis为计算距离的函数,Pi,Pj分别为Xi,Xj的情感成分,s为采用的情感分类模型中的情感类别数:
Pi=[ai,1,ai,2,...,ai,s,]
Pj=[aj,1,aj,2,...,aj,s,]
则音乐情感向量之间的欧式距离用下式计算:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910110671A CN101697278A (zh) | 2009-10-16 | 2009-10-16 | 音乐情感距离的度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910110671A CN101697278A (zh) | 2009-10-16 | 2009-10-16 | 音乐情感距离的度量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101697278A true CN101697278A (zh) | 2010-04-21 |
Family
ID=42142381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910110671A Pending CN101697278A (zh) | 2009-10-16 | 2009-10-16 | 音乐情感距离的度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101697278A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116646A (zh) * | 2013-02-26 | 2013-05-22 | 浙江大学 | 一种基于云基因表达式编程的音乐情感识别方法 |
CN109299312A (zh) * | 2018-10-18 | 2019-02-01 | 湖南城市学院 | 基于大数据的音乐节奏分析方法 |
CN111209445A (zh) * | 2018-11-21 | 2020-05-29 | 中国电信股份有限公司 | 识别终端用户情绪的方法和装置 |
CN114756734A (zh) * | 2022-03-08 | 2022-07-15 | 上海暖禾脑科学技术有限公司 | 基于机器学习的乐曲分段情感标注系统及方法 |
-
2009
- 2009-10-16 CN CN200910110671A patent/CN101697278A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116646A (zh) * | 2013-02-26 | 2013-05-22 | 浙江大学 | 一种基于云基因表达式编程的音乐情感识别方法 |
CN103116646B (zh) * | 2013-02-26 | 2015-10-28 | 浙江大学 | 一种基于云基因表达式编程的音乐情感识别方法 |
CN109299312A (zh) * | 2018-10-18 | 2019-02-01 | 湖南城市学院 | 基于大数据的音乐节奏分析方法 |
CN109299312B (zh) * | 2018-10-18 | 2021-11-30 | 湖南城市学院 | 基于大数据的音乐节奏分析方法 |
CN111209445A (zh) * | 2018-11-21 | 2020-05-29 | 中国电信股份有限公司 | 识别终端用户情绪的方法和装置 |
CN111209445B (zh) * | 2018-11-21 | 2023-05-02 | 中国电信股份有限公司 | 识别终端用户情绪的方法和装置 |
CN114756734A (zh) * | 2022-03-08 | 2022-07-15 | 上海暖禾脑科学技术有限公司 | 基于机器学习的乐曲分段情感标注系统及方法 |
CN114756734B (zh) * | 2022-03-08 | 2023-08-22 | 上海暖禾脑科学技术有限公司 | 基于机器学习的乐曲分段情感标注系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866572B (zh) | 一种网络短文本聚类方法 | |
Mitrović et al. | Networks and emotion-driven user communities at popular blogs | |
CN108038240A (zh) | 基于内容、用户多因素分析的社交网络谣言检测方法 | |
CN101667194A (zh) | 基于用户评论文本特征的自动摘要方法及其自动摘要系统 | |
CN106156135A (zh) | 查询数据的方法及装置 | |
CN106126605A (zh) | 一种基于用户画像的短文本分类方法 | |
CN110134792A (zh) | 文本识别方法、装置、电子设备以及存储介质 | |
US10089409B2 (en) | Event-triggered data quality verification | |
CN103324758A (zh) | 一种新闻分类方法和系统 | |
Hyung et al. | Utilizing context-relevant keywords extracted from a large collection of user-generated documents for music discovery | |
CN114077705A (zh) | 一种对社交平台上的媒体账号进行画像的方法和系统 | |
CN101697278A (zh) | 音乐情感距离的度量方法 | |
CN101853298A (zh) | 一种面向事件的查询扩展方法 | |
Zhao et al. | Genre-based link prediction in bipartite graph for music recommendation | |
Kim | A semantically enhanced tag-based music recommendation using emotion ontology | |
Kanev et al. | Sentiment analysis of multilingual texts using machine learning methods | |
Argueta et al. | Unsupervised graph-based patterns extraction for emotion classification | |
Xu et al. | Introducing sub-impact factor (SIF-) sequences and an aggregated SIF-indicator for journal ranking | |
CN103279549A (zh) | 一种目标对象的目标数据的获取方法及装置 | |
Li et al. | Research of music recommendation system based on user behavior analysis and word2vec user emotion extraction | |
Jayawickrama et al. | Seeking sinhala sentiment: Predicting facebook reactions of sinhala posts | |
CN105760410B (zh) | 一种基于转发评论的微博语义扩充模型和方法 | |
CN108153857A (zh) | 一种用于对网络访问数据进行关联处理的方法和系统 | |
Radhika et al. | Personalized language-independent music recommendation system | |
Lommatzsch et al. | A linked dataverse knows better: Boosting recommendation quality using semantic knowledge |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100421 |