论文部分内容阅读
歌曲情感识别是音乐信息检索领域中的重要问题之一,本文主要研究并实现了两种歌曲情感识别方法。与已有研究工作不同,本文利用歌词文本信息,分析得到歌曲的情感。
本文首先介绍了主要的情感模型,并依据歌曲的情感特点和音乐信息检索的需要,选择适合描述歌曲情感的模型。随后,按照歌曲情感分析所使用的信息源的类型,分类介绍了该领域已有的研究工作。对已有研究工作的应用场景和识别效果,给予适当评述。
为了提出适合歌词特点的情感分析方法,本文分析了歌词语料的特点,并与其它几种文本做比较。经过分析,发现歌词具有如下特点:篇幅短小,用词丰富,高频词汇少,情感表达细腻、隐晦。
根据歌词文本的特点,本文提出了两种歌词情感识别方法。
方法一利用情感词词典和模糊聚类方法,分析得到歌词的情感。首先,利用情感词词典抽取得到歌词中的情感单元。然后利用情感单元分析得到歌词中每个句子的情感。最后采用模糊聚类的方法,综合各个单句的情感得到整篇歌词的情感。本文构建了包含500篇歌词的样本数据集,并在该数据集上进行实验。与已有工作相比,本方法情感分析效果有显著改进。
方法二利用统计机器学习的方法,回归得到歌词的情感。考虑到歌词文本的特点,本文分别抽取歌词的词语特征和语义特征,并选用有效的特征选择方法,将一篇歌词表示成特征空间中的一个特征向量。利用支持向量回归机,得到歌词的情感。在方法一中构建的样本数据集上实验了本方法,实验效果较方法一有进一步的提升,情感回归相关系数达到0.7669。另外,构建了包含1250篇歌词的样本数据集,以测试该方法的泛化能力,相关系数最高达到0.7099,令人满意。实验证实虽然语义特征能较好地改善数据稀疏性问题,但利用词语特征识别歌词情感的效果优于利用语义特征的效果。