CN104573114A - 一种音乐分类方法及装置 - Google Patents

Abstract

本申请提供一种音乐分类方法及装置，通过利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个基分类器的分类结果(该分类结果中包括待分类音乐的相应音乐内容含有不同情绪类别的后验概率)，并将各个基分类器的分类结果依据情绪类别进行融合，得到最终分类结果，进而根据最终分类结果对待分类音乐进行情绪判断，确定待分类音乐含有的情绪类别。申请通过利用预先创建的基分类器对待分类音乐的音乐内容的检索，实现了对待分类音乐的情绪类别的有效划分。

Description

一种音乐分类方法及装置

技术领域

本申请涉及自然语言处理及模式识别技术领域，特别是涉及一种音乐分类方法及装置。

背景技术

随着计算机网络的不断发展和日益普及，人们可以方便快捷地获取日益丰富的音乐资源。音乐与人的情绪密切相关，而且音乐在人们的日常生活中起着越来越重要的作用。不同的时间，不同的心情，人们需要不同情绪类型的音乐。因此，人们迫切需要根据情绪对音乐资源进行有效的管理，实现对海量音乐资源的检索和访问。

目前，主流的对音乐的检索利用了文本检索，比如通过在MP3文件中写入歌曲名称、歌手姓名等方法，利用文本搜索技术实现对音乐的管理和检索。严格地说，这种技术并没有实现对音乐本身的检索，无法从音乐内容上对音乐进行管理和检索，进而导致不能有效的划分音乐的情绪类别，即确定音乐的所含有的情绪类别，例如，“高兴”、“难过”等。

发明内容

有鉴于此，本申请的目的在于提供一种音乐分类方法及装置，通过对待分类音乐的音乐内容的检索，以实现对待分类音乐的情绪类别的有效划分。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种音乐分类方法，包括：

利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个所述基分类器的分类结果，所述分类结果中包括所述待分类音乐的相应音乐内容含有不同情绪类别的后验概率；

将各个所述基分类器的分类结果依据所述情绪类别进行融合，得到最终分类结果；

根据所述最终分类结果对所述待分类音乐进行情绪判断，确定所述待分类音乐含有的情绪类别。

优选的，所述将各个所述基分类器的分类结果依据所述情绪类别进行融合，得到最终分类结果的过程为：

将各个所述基分类器的分类结果中的相同情绪类别的后验概率分别相加，得到最终分类结果，其中，所述最终分类结果中包括每种所述情绪类别的唯一的后验概率。

优选的，所述根据所述最终分类结果对所述待分类音乐进行情绪判断，确定所述待分类音乐含有的情绪类别的过程为：

比较所述最终分类结果中每种情绪类别的后验概率，将所述后验概率最大的情绪类别确定为第一情绪类别；

将预先设置的与所述第一情绪类别对应的第二情绪类别确定为所述待分类音乐含有的情绪类别。

优选的，预先构建基分类器的过程为：

接收包括若干首音乐的音乐集，所述音乐携带该音乐含有的情绪类别；

将所述音乐集中的每首音乐的不同音乐内容分开，针对每种音乐内容得到与其对应的第一音乐集，其中，所述第一音乐集中包括所述音乐集中所有音乐的与该第一音乐集对应的音乐内容；

针对每个所述第一音乐集，利用预先设置的机器学习分类方法进行分类，得到与其对应的基分类器。

优选的，还包括：记录所述待分类音乐含有的情绪类别。

一种音乐分类装置，包括：

分类单元，用于利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个所述基分类器的分类结果，所述分类结果中包括所述待分类音乐的相应音乐内容含有不同情绪类别的后验概率；

融合单元，用于将各个所述基分类器的分类结果依据所述情绪类别进行融合，得到最终分类结果；

确定单元，用于根据所述最终分类结果对所述待分类音乐进行情绪判断，确定所述待分类音乐含有的情绪类别。

优选的，所述融合单元将各个所述基分类器的分类结果中的相同情绪类别的后验概率分别相加，得到最终分类结果，其中，所述最终分类结果中包括每种所述情绪类别的唯一的后验概率。

优选的，所述确定单元包括：

比较单元，用于比较所述最终分类结果中每种情绪类别的后验概率，将所述后验概率最大的情绪类别确定为第一情绪类别；

确定子单元，用于将预先设置的与所述第一情绪类别对应的第二情绪类别确定为所述待分类音乐含有的情绪类别。

优选的，还包括：

基分类器构建单元，用于接收包括若干首音乐的音乐集，所述音乐携带该音乐含有的情绪类别；以及，

将所述音乐集中的每首音乐的不同音乐内容分开，针对每种音乐内容得到与其对应的第一音乐集，其中，所述第一音乐集中包括所述音乐集中所有音乐的与该第一音乐集对应的音乐内容；以及，

针对每个所述第一音乐集，利用预先设置的机器学习分类方法进行分类，得到与其对应的基分类器。

优选的，还包括：

记录单元，用于记录所述待分类音乐含有的情绪类别。

本申请提供一种音乐分类方法及装置，通过利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个基分类器的分类结果(该分类结果中包括待分类音乐的相应音乐内容含有不同情绪类别的后验概率)，并将各个基分类器的分类结果依据情绪类别进行融合，得到最终分类结果，进而根据最终分类结果对待分类音乐进行情绪判断，确定待分类音乐含有的情绪类别。本申请通过利用预先创建的基分类器对待分类音乐的音乐内容的检索，实现了对待分类音乐的情绪类别的有效划分。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例一提供的一种音乐分类方法流程图；

图2为本申请实施例一提供的一种预先构建基分类器的方法流程图；

图3为本申请实施例二提供的一种音乐分类装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

图1为本申请实施例一提供的一种音乐分类方法流程图。

如图1所示，该方法包括：

S101、利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个基分类器的分类结果。

具体的，分类结果中包括待分类音乐的相应音乐内容含有不同情绪类别的后验概率。

在本实施例中，每个基分类器对应一种音乐内容，例如，当音乐包括“歌词”音乐内容以及“音频”音乐内容时，基分类器A对应“歌词”音乐内容，基分类器B对应“音频”音乐内容，则可利用基分类器A和基分类器B分别对待分类音乐的相应内容进行分类，得到基分类器A的分类结果以及基分类器B的分类结果。

其中，分类结果中包括待分类音乐的相应音乐内容含有不同情绪类别的后验概率(如：基分类器A的分类结果中包括：“歌词”音乐内容含有“愉悦”情绪类别的后验概率以及“悲伤”情绪类别的后验概率)。

需要说明的是：音乐内容的类型可以由操作人员预先确定。由于每个基分类器对应一种音乐内容，不同基分类器对应的音乐内容不同，所以基分类器的总数和音乐内容类型的总数相同，得到的每个基分类器都需要对待分类音乐的相应内容进行分类，从而得到与音乐内容类型总数相同的分类结果。

S102、将各个基分类器的分类结果依据情绪类别进行融合，得到最终分类结果。

在本申请实施例中，对于单独的基分类器而言，其分类结果为分别与每种情绪类别对应的后验概率，其中，情绪类别对应的后验概率是指待分类音乐含有此种情绪类别的后验概率。

针对待分类音乐，基分类器都会产生每种情绪类别对应的后验概率，例如，对应“歌词”音乐内容所对应的基分类器对待分类音乐的“歌词”音乐内容进行分类得到的分类结果中，“愉悦”情绪对应的后验概率是待分类音乐的“歌词”音乐内容含有“愉悦”这种情绪类别的后验概率，“悲伤”情绪对应的后验概率则是待分类音乐的“歌词”音乐内容含有“悲伤”这种情绪类别的后验概率。

具体的，将各个基分类器的分类结果中的相同情绪类别的后验概率分别相加，得到最终分类结果，其中，最终分类结果中包括每种情绪类别的唯一的后验概率。例如，将对应“歌词”音乐内容的基分类器的分类结果中的“愉悦”情绪类别的后验概率以及对应“音频”音乐内容的基分类器的分类结果中的“愉悦”情绪类别的后验概率相加，得到“愉悦”情绪类别的后验概率；将对应“歌词”音乐内容的基分类器的分类结果中的“悲伤”情绪类别的后验概率以及对应“音频”音乐内容的基分类器的分类结果中的“悲伤”情绪类别的后验概率相加，得到“悲伤”情绪类别的后验概率。

S103、根据最终分类结果对待分类音乐进行情绪判断，确定待分类音乐含有的情绪类别。

具体的，根据最终分类结果对待分类音乐进行情绪判断，确定待分类音乐含有的情绪类别的过程为：比较最终分类结果中每种情绪类别的后验概率，将后验概率最大的情绪类别确定为第一情绪类别；将预先设置的与第一情绪类别对应的第二情绪类别确定为待分类音乐含有的情绪类别。

具体的，情绪判断是指判定待分类音乐是否含有用户听到待分类音乐时产生的情绪，情绪判断结果表明待分类音乐含有的情绪类别。

在本实施例中，待分类音乐含有某种情绪可以从判断结果得出，其中判断结果用于表明待分类音乐含有的情绪类别。

为了便于得出判断结果，在本实施例提供的基分类器中所有情绪类别用不同序号表示。例如当基分类器中所有情绪类别包括：“愉悦”情绪类别、“悲伤”情绪类别和“激动”情绪类别时，将“愉悦”情绪类别设定为第一种情绪类别，“悲伤”情绪类别设定为第二种情绪类别，“激动”情绪类别设定为第三种情绪类别。

因此，在本申请实施例中针对基分类器中的每种情绪类别(在此将基分类器中的所有情绪类别统称为第一情绪类别，包括：如第一种情绪类别、第二种情绪类别、第三种情绪类别等)，均预先设置有与其对应的第二情绪类别(在此，第二情绪类别如上述的“愉悦”情绪类别，如：设置“愉悦”情绪类别与基分类器中的第一种情绪类别对应)，当确定第一情绪类别后，将预先设置的与第一情绪类别对应的第二情绪类别确定为待分类音乐含有的情绪类别(当确定的第一情绪类别为第一种情绪类别时，待分类音乐含有的情绪类别为与第一种情绪类别对应的“愉悦”情绪类别)。

本申请提供一种音乐分类方法，通过利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个基分类器的分类结果(该分类结果中包括待分类音乐的相应音乐内容含有不同情绪类别的后验概率)，并将各个基分类器的分类结果依据情绪类别进行融合，得到最终分类结果，进而根据最终分类结果对待分类音乐进行情绪判断，确定待分类音乐含有的情绪类别。本申请通过利用预先创建的基分类器对待分类音乐的音乐内容的检索，实现了对待分类音乐的情绪类别的有效划分。

进一步的，本申请实施例提供的一种音乐分类方法中，还包括预先构建基分类器的过程。

图2为本申请实施例一提供的一种预先构建基分类器的方法流程图。

如图2所示，预先构建基分类器的过程为：

S201、接收包括若干首音乐的音乐集，音乐携带该音乐含有的情绪类别。

具体的，预先构建基分类器的过程为：首先接收包括若干首音乐的音乐集，该音乐集中的每首音乐均携带其含有的情绪类别。

S202、将音乐集中的每首音乐的不同音乐内容分开，针对每种音乐内容得到与其对应的第一音乐集。

具体的，第一音乐集中包括音乐集中所有音乐的与该第一音乐集对应的音乐内容。

具体的，按照预先设置的音乐内容的分类方式，将音乐集中的每首音乐的不同音乐内容分开，针对每种音乐内容得到与其对应的第一音乐集。如：当设置音乐内容为“歌词”以及“音频”时，将音乐集中每首音乐的“歌词”音乐内容以及“音频”音乐内容分开，针对“歌词”音乐内容生成一个与其对应的第一音乐集(该第一音乐集中包括音乐集中的所有音乐中的“歌词”音乐内容)，“音频”音乐内容生成一个与其对应的第一音乐集(该第一音乐集中包括音乐集中所有音乐中的“音频”音乐内容)。

S203、针对每个第一音乐集，利用预先设置的机器学习分类方法进行分类，得到与其对应的基分类器。

具体的，预先设置有机器学习分类方法，当生成第一音乐集后，针对每个第一音乐集将其作为训练集，利用预先设置的机器学习分类方法进行分类，得到与其对应的基分类器。

在本实施例中，机器学习分类方法优选采用最大熵分类方法。最大熵分类方法基于最大熵信息理论，其基本思想是得到一种概率分布，满足所有已知的事实，并让未知事实随机化。

本申请通过提供一种预先构建基分类器的方法，使得本申请实施例提供的基分类器的构建过程更加清晰、完整，便于本领域技术人员对本申请实施例提供的一种音乐分类方法的理解。

进一步的，在本申请实施例提供的一种音乐分类方法中，还包括：记录待分类音乐含有的情绪类别。

通过记录待分类音乐含有的情绪类别可方便之后用户对该待分类音乐的情绪类别的查询、掌握。

并且，还可按照该待分类音乐含有的情绪类别为用户推荐相应的音乐，如，当该待分类音乐含有的情绪类别为“愉悦”情绪类别，并且用户当前需要含有“愉悦”情绪类别的音乐时，可将该待分类音乐提供的当前用户，即按照用户的需求为用户推荐相应音乐，提高用户体验性。

具体的，为了使得本申请实施例提供的一种音乐分类方法更加清晰完整，以下对该音乐分类过程进行详细描述：

对于第j种音乐内容，第i种情绪类别对应的后验概率可以标记为 表示待分类音乐的第j种音乐内容含有第i种情绪类别的后验概率。

其中，待分类音乐的第j种音乐内容含有第i种情绪类别对应的后验概率的计算公式是：

$P_j\left(c_{{\mathrm{EMO}}_i}\right|D)=\frac{1}{Z\left(D\right)}\exp \left(\mathrm{\Σ}{\mathrm{\λ}}_{{k,c}_{{\mathrm{EMO}}_i}}{F}_{{k,c}_{{\mathrm{EMO}}_i}}\left({D,k,c}_{{\mathrm{EMO}}_i}\right)\right),$ Z(D)是归一化因子，是特征函数，是特征函数的权值，在预先构建基分类器的过程中可以获得的取值。的取值通过最大熵分类方法的拟牛顿BFGS(Broyden Fletcher Goldfarb Shann，变尺度法)得到。

Z(D)的计算公式如下：

$Z\left(D\right)=\underset{c_{{\mathrm{EMO}}_i}}{\mathrm{\Σ}}\exp \left(\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\Σ}{\mathrm{\λ}}_{{k,c}_{{\mathrm{EMO}}_i}}{F}_{{k,c}_{{\mathrm{EMO}}_i}}\left({D,k,c,}_{{\mathrm{EMO}}_i}\right)\right),$ 其中D是输入特征，n是特征的总数，例如若待分类音乐使用词特征，则n是待分类音乐中所有词的个数。

特征函数的定义如下：

$F_{{k,c}_{{\mathrm{EMO}}_i}}(D,c_{{\mathrm{EMO}}_i})=\left\{\begin{array}{cc}1,& n_k\left(d\right)>0\mathrm{and}{c}_{{\mathrm{EMO}}_i}=c\\ 0,& \mathrm{otherwise}\end{array}\right.$

其中，n_k(d)是待分类音乐所含特征的长度，表明含有此特征的待分类音乐含有c种情绪类别。当特征的长度n_k(d)>0，并且含有此特征的待分类音乐含有c这种情绪时，特征函数的取值为1，否则特征函数的取值为0。

将待分类音乐的每种音乐内容的所有情绪类别对应的后验概率计算出来后，分别将每种音乐内容中相同情绪类别的后验概率进行加法融合，得到最终分类结果，该最终分类结果中包括分别与每种情绪类别对应的后验概率 $\mathrm{Emotion}\left[i\right]=P\left(c_{{\mathrm{EMO}}_i}\right|D).$

最后对待分类音乐的各种情绪类别所对应的后验概率的大小进行比较，将后验概率最大的情绪类别确定为第一情绪类别(即将Emotion[i]的值最大的情绪类别确定为第一情绪类别)；进而将预先设置的与第一情绪类别对应的第二情绪类别确定为待分类音乐含有的情绪类别。

如：判断结果采用表示，Emotion[i]的值为最大时，表明待分类音乐含有与第i种情绪对应的第二情绪类别，Emotion[i]的值不是最大值时，表明待分类音乐不含有与第i种情绪对应的第二情绪类别。

本申请通过提供一种音乐分类方法的具体实现方式，使得本申请实施例提供的一种音乐分类方法更加清晰、完整。

实施例二：

图3为本申请实施例二提供的一种音乐分类装置的结构示意图。

如图3所示，该装置包括：

分类单元1，用于利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个基分类器的分类结果，分类结果中包括待分类音乐的相应音乐内容含有不同情绪类别的后验概率。

融合单元2，用于将各个基分类器的分类结果依据情绪类别进行融合，得到最终分类结果。

具体的，融合单元将各个基分类器的分类结果中的相同情绪类别的后验概率分别相加，得到最终分类结果，其中，最终分类结果中包括每种情绪类别的唯一的后验概率。

确定单元3，用于根据最终分类结果对待分类音乐进行情绪判断，确定待分类音乐含有的情绪类别。

具体的，确定单元包括：比较单元，用于比较最终分类结果中每种情绪类别的后验概率，将后验概率最大的情绪类别确定为第一情绪类别；确定子单元，用于将预先设置的与第一情绪类别对应的第二情绪类别确定为待分类音乐含有的情绪类别。

进一步的，本申请实施例提供的一种音乐分类装置中，还包括：基分类器构建单元，用于接收包括若干首音乐的音乐集，音乐携带该音乐含有的情绪类别；以及，将音乐集中的每首音乐的不同音乐内容分开，针对每种音乐内容得到与其对应的第一音乐集，其中，第一音乐集中包括音乐集中所有音乐的与该第一音乐集对应的音乐内容；以及，针对每个第一音乐集，利用预先设置的机器学习分类方法进行分类，得到与其对应的基分类器。

进一步的，本申请实施例提供的一种音乐分类装置中，还包括：记录单元，用于记录待分类音乐含有的情绪类别。

本申请提供一种音乐分类装置，通过利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个基分类器的分类结果(该分类结果中包括待分类音乐的相应音乐内容含有不同情绪类别的后验概率)，并将各个基分类器的分类结果依据情绪类别进行融合，得到最终分类结果，进而根据最终分类结果对待分类音乐进行情绪判断，确定待分类音乐含有的情绪类别。本申请通过利用预先创建的基分类器对待分类音乐的音乐内容的检索，实现了对待分类音乐的情绪类别的有效划分。

为了验测本申请提供的音乐分类方法及装置在音乐分类上的有效性，本实施例使用一定的训练样本和测试样本进行训练和测试。实验中使用的音乐样本是已经人工标注过的含有情绪类别标签的音乐样本，实验所用的音乐样本一共有600首，每首音乐均含有歌词和音频两部分内容。情绪类别有四种，分别为：愉悦、激动、悲伤、平静。

本例中，所使用的音乐的音频信号主要包括频率、音阶、简谱符号和调四个特征。其中，频率指的是信号每秒钟变化的次数；音阶的划分是在频率的对数坐标上取等分得到的；简谱符号包含1,2,3,4,5,6,7共七种；调是指音调的高度。

在进行音乐分类时，对音乐的内容类别进行单一化处理，即每次分类只考虑一种内容类别，根据四种情绪，分别分为四类样本。从600首样本中选用40首作为测试样本，整个实验过程中保持不变。在剩下的样本中，每类情绪有140个训练样本。

本实施例采用准确率(Acc.)，精确率(Pre.)和召回率(Rec.)三个评价标准进行评价，三个评价标准计算公式如下：

$\mathrm{Acc}.=\frac{A+D}{A+B+C+D}$

$\mathrm{Pre}.=\frac{A}{A+B}$

$\mathrm{Rec}.=\frac{A}{A+C}$

其中，A表示正确地分配到该类别的文本数；B表示不正确地分配到该类别的文本数；C表示被该类别不正确拒绝的文本数；D表示正确地分配到其他类别的文本数。

表1为进行分类后采用上述三种评价标准得到的测试效果，其中训练样本采用了三种内容：歌词、音频以及歌词+音频。

表1 测试结果

训练样本	Acc	Pre	Recall
				歌词	0.653	0.6342	0.6456
音频	0.7685	0.755	0.752
				歌词+音频	0.783	0.7712	0.764

从表1所示的数据可以看出，本申请提供的音乐分类方法已经能够取得不错的效果，准确率达到0.78左右。而且歌词和音频的分类结果进行融合后得到的结果比使用单一音乐内容进行分类得到的结果好，这为根据歌词和音频两种内容进行音乐推荐提供了有效的依据。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

以上仅是本申请的优选实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。12 -->

Claims (10)

1.一种音乐分类方法，其特征在于，包括：

利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个所述基分类器的分类结果，所述分类结果中包括所述待分类音乐的相应音乐内容含有不同情绪类别的后验概率；

将各个所述基分类器的分类结果依据所述情绪类别进行融合，得到最终分类结果；

根据所述最终分类结果对所述待分类音乐进行情绪判断，确定所述待分类音乐含有的情绪类别。

2.根据权利要求1所述的方法，其特征在于，所述将各个所述基分类器的分类结果依据所述情绪类别进行融合，得到最终分类结果的过程为：

将各个所述基分类器的分类结果中的相同情绪类别的后验概率分别相加，得到最终分类结果，其中，所述最终分类结果中包括每种所述情绪类别的唯一的后验概率。

3.根据权利要求2所述的方法，其特征在于，所述根据所述最终分类结果对所述待分类音乐进行情绪判断，确定所述待分类音乐含有的情绪类别的过程为：

比较所述最终分类结果中每种情绪类别的后验概率，将所述后验概率最大的情绪类别确定为第一情绪类别；

将预先设置的与所述第一情绪类别对应的第二情绪类别确定为所述待分类音乐含有的情绪类别。

4.根据权利要求1所述的方法，其特征在于，预先构建基分类器的过程为：

接收包括若干首音乐的音乐集，所述音乐携带该音乐含有的情绪类别；

将所述音乐集中的每首音乐的不同音乐内容分开，针对每种音乐内容得到与其对应的第一音乐集，其中，所述第一音乐集中包括所述音乐集中所有音乐的与该第一音乐集对应的音乐内容；

针对每个所述第一音乐集，利用预先设置的机器学习分类方法进行分类，得到与其对应的基分类器。

5.根据权利要求1所述的方法，其特征在于，还包括：记录所述待分类音乐含有的情绪类别。

6.一种音乐分类装置，其特征在于，包括：

分类单元，用于利用预先构建的每个基分类器分别对待分类音乐的相应音乐内容进行分类，得到每个所述基分类器的分类结果，所述分类结果中包括所述待分类音乐的相应音乐内容含有不同情绪类别的后验概率；

融合单元，用于将各个所述基分类器的分类结果依据所述情绪类别进行融合，得到最终分类结果；

确定单元，用于根据所述最终分类结果对所述待分类音乐进行情绪判断，确定所述待分类音乐含有的情绪类别。

7.根据权利要求6所述的装置，其特征在于，所述融合单元将各个所述基分类器的分类结果中的相同情绪类别的后验概率分别相加，得到最终分类结果，其中，所述最终分类结果中包括每种所述情绪类别的唯一的后验概率。

8.根据权利要求7所述的装置，其特征在于，所述确定单元包括：

比较单元，用于比较所述最终分类结果中每种情绪类别的后验概率，将所述后验概率最大的情绪类别确定为第一情绪类别；

确定子单元，用于将预先设置的与所述第一情绪类别对应的第二情绪类别确定为所述待分类音乐含有的情绪类别。

9.根据权利要求6所述的装置，其特征在于，还包括：

基分类器构建单元，用于接收包括若干首音乐的音乐集，所述音乐携带该音乐含有的情绪类别；以及，

将所述音乐集中的每首音乐的不同音乐内容分开，针对每种音乐内容得到与其对应的第一音乐集，其中，所述第一音乐集中包括所述音乐集中所有音乐的与该第一音乐集对应的音乐内容；以及，

针对每个所述第一音乐集，利用预先设置的机器学习分类方法进行分类，得到与其对应的基分类器。

10.根据权利要求6所述的装置，其特征在于，还包括：

记录单元，用于记录所述待分类音乐含有的情绪类别。