论文部分内容阅读
摘要：随着新数字音乐时代的来临，音乐制作的方式伴随着计算机的发展也进行了革新，计算机音乐制作系统置创作、制作、表演于一身，融作曲、指挥、演奏、录音为一体，给音乐者在创作思维上带来了新的方法。据调查，谱曲软件大多存在功能单一、仅适应与大小调、速度选择上相对死板、灵活度不高等问题，难以使创作做到智能化和个性化。为了解决上述问题，提出了一种大数据下智能谱曲软件的算法研究[1]调度方案，重点介绍利用多算法组合优化实现谱曲功能，通过大数据检索实现个性化音乐推荐系统。
关键词：谱曲软件;算法;大数据;
1.引言
伴随着移动互联网、智能终端等的发展，数据呈现爆炸式增长，数据密度空前提高，如何充分有效利用大数据技术，获取其中蕴藏的巨大价值，已经成为大数据时代所面临的主要任务。随着人们对音乐元素质量需求的提高，更对音乐的可操作性、易应用性提出了要求。据此，我们通过大数据检索+多算法组合优化实现谱曲功能和个性化音乐推荐功能，并且对系统中所有的音乐物理文件和用户的行为记录进行分析和挖掘，比如在用户写了一段谱子后，系统可以自动匹配相似旋律的歌曲，解决用户谱曲问题。这样写出来的曲子不但可以自我欣赏，也可以根据大数据检索来检查与曲子音调相似的歌曲，可辅助使用者编出经典歌曲，同时也可以避免编出来的歌曲与已有歌曲相似的情况。
2.算法作曲概述
算法作曲[2]也称自动作曲，是作曲思维和算法思维的有机结合，其目的是使人在利用计算机进行音乐创作时投入时间成本达到最小。随着科学技术的发展，现在的音乐创作家将人工智能运用到计算机辅助算法作曲系统，亦可以模拟作曲家的创作思维。
音乐是由一系列的音符组成的，这些音符连续排列构成音符序列。我们选用适用于音符序列挖掘的ISM算法[3]。ISM算法，即“音程序列挖掘”，该算法针对一个音符序列，要求得到它的特征旋律（例如音乐片段的一个短的音程子序列成为特征旋律，必须满足两个基本条件：
（1）该音程子序列出现的频率要尽可能高;
（2）该音程子序列的长度要尽可能长。
ISM算法的核心理念就是在一个给定的字符串中找出出现频率最高的连续子字符串，并且该字符串尽可能的长一些。在论证了ISM算法所要挖掘的特征旋律须符合的两个基本条件后，将用自然语言、流程图及伪代码三种描述相结合的方式对ISM算法的设计思路进行详细阐述。
3.基于大数据的个性化音乐推荐
图1xxxxx
当前主流的推荐算法分为基于内容的推荐和基于协同过滤的推荐以及混合推荐算法这三大类，国内外的大多数音乐网站或音乐电台通常都会采用这三种技术。基于内容的推荐方法是根据用户曾经喜欢的物品，找到与该物品内容相似的物品推荐给用户，需要有物品的内容信息是标注。这个项目的背后需要对每一首歌进行专业的音乐属性标注，例如音乐节奏、旋律、乐器、流派等等。这些属性就像是音乐的基因一样，有了成千上万的音乐基因就可以准确的判断音乐之间的相似性。
（1）基于内容的协同过滤
基于内容的推荐方法具有实现简单易于理解的特点，是协同过滤[4]中最流行的一种推荐技术。按照比较对象类别的不同，基于内存的协同过滤又可分为基于用户的协同过滤和基于项目的协同过滤两种。基于用户的协同过滤推荐的基本思想是，要想为当前用户推荐合适的物品，最佳的方式是先找到与当前用户兴趣上最相近的邻居用户集，邻居用户的兴趣偏好可以作为当前用户的推荐根据。基于这样的思想，计算出与当前用户兴趣偏好最相似的Top-k个邻居用户集。接着，根据Top-k个邻居用户对当前用户尚未评分物品的加权平均评分值，预测当前用户对各种待推荐物品的评分，最终向当前用户推荐评分值排名靠前的物品。
（2）基于模型的協同过滤
与基于内存的协同过滤推荐不同，基于模型的协同过滤推荐主要通过用户对项目的评分信息，构造出基于“用户-项目”的评分矩阵，进而从该矩阵中训练出相应的评估模型，利用评估模型预测用户为评分项的评分值。目前，基于模型协同过滤推荐算法主要包括贝叶斯层次模型、聚类模型、潜在因子模型等。为了处理大数据的需要，Salakhutdinov等人提出了利用低维近似矩阵分解模型进行推荐，取得了良好的推荐效果。矩阵分解模型凭借着处理大数据上的独特优势，已成为当前应用最广泛的基于模型的协同过滤推荐技术。
（3）混合推荐算法
单一的推荐算法无法在海量的数据当中较为精确地推荐出满足用户需求的曲目，多为几种瑞安算法的混合。一般情况下，可以将基于协同过滤的推荐和其他推荐算法混合，根据权重选择效果较好的作为最终推荐的结果。随着网络技术的发展和用户的个性化需求，也可以将推荐算法与其他因素相融合，例如用户位置、情景信息等。
基于矩阵分解的协同过滤推荐的一项关键步骤是模型的学习，模型的好坏直接决定推荐结果的准确性。模型的学习过程即利用已有的评分数据训练出最佳的用户特征矩阵U和项目特征矩阵M。
4.总结
本文提出基于大数据下智能谱曲软件的算法研究方案，通过算法实现人工智能谱曲功能，并利用大数据检索实现个性化音乐推荐系统，为计算机音乐制作中实现智能化和个性化提供切实可行的解决方案。研究上还存在需要改进和完善的地方，如情景感知推荐面临的问题，主要体现在数据稀缺性和多维数据处理两方面，后续将针对这两个方面进行深入地研究。本项目受到广东石油化工学院创新创业学院-大学生创新培育项目支助，在此表示感谢。
参考文献：
[1]田明，任强.谱曲软件的开发与应用 2014-09-17
[2]冯寅，周昌乐.算法作曲的研究进展 2006
[3]郑银环， 王嘉珺， 郭威， et al. 基于特征旋律挖掘的二阶马尔可夫链在算法作曲中的研究与应用[J]. 计算机应用研究， 2018， 35（3）： 849-853.
[4]邵娜. 基于协同过滤算法的推荐系统设计[J]. 产业与科技论坛， 2019（5）.
作者简介：
吴洁华（1998.4-），女，汉族，广东揭阳，本科在读生，研究方向为：UI设计，广东石油化工学院计电子信息工程学院电子信息科学与技术17级1班;
邓盛益（2000.5-），男，汉族，广东茂名，本科在读生，研究方向为：测控技术与仪器，广东石油化工学院自动化学院测控技术与仪器17级2班;
邱金波（1982.2-），男，汉族，广东茂名，本科在读生，研究方向为：计算机科学与技术，广东石油化工学院电子信息工程学院;
陈由振（1998.4-），男，汉族，广东湛江，本科在读生，研究方向为：网络工程，广东石油化工学院计算机学院网络工程17级2班。
关键词：谱曲软件;算法;大数据;
1.引言
伴随着移动互联网、智能终端等的发展，数据呈现爆炸式增长，数据密度空前提高，如何充分有效利用大数据技术，获取其中蕴藏的巨大价值，已经成为大数据时代所面临的主要任务。随着人们对音乐元素质量需求的提高，更对音乐的可操作性、易应用性提出了要求。据此，我们通过大数据检索+多算法组合优化实现谱曲功能和个性化音乐推荐功能，并且对系统中所有的音乐物理文件和用户的行为记录进行分析和挖掘，比如在用户写了一段谱子后，系统可以自动匹配相似旋律的歌曲，解决用户谱曲问题。这样写出来的曲子不但可以自我欣赏，也可以根据大数据检索来检查与曲子音调相似的歌曲，可辅助使用者编出经典歌曲，同时也可以避免编出来的歌曲与已有歌曲相似的情况。
2.算法作曲概述
算法作曲[2]也称自动作曲，是作曲思维和算法思维的有机结合，其目的是使人在利用计算机进行音乐创作时投入时间成本达到最小。随着科学技术的发展，现在的音乐创作家将人工智能运用到计算机辅助算法作曲系统，亦可以模拟作曲家的创作思维。
音乐是由一系列的音符组成的，这些音符连续排列构成音符序列。我们选用适用于音符序列挖掘的ISM算法[3]。ISM算法，即“音程序列挖掘”，该算法针对一个音符序列，要求得到它的特征旋律（例如音乐片段的一个短的音程子序列成为特征旋律，必须满足两个基本条件：
（1）该音程子序列出现的频率要尽可能高;
（2）该音程子序列的长度要尽可能长。
ISM算法的核心理念就是在一个给定的字符串中找出出现频率最高的连续子字符串，并且该字符串尽可能的长一些。在论证了ISM算法所要挖掘的特征旋律须符合的两个基本条件后，将用自然语言、流程图及伪代码三种描述相结合的方式对ISM算法的设计思路进行详细阐述。
3.基于大数据的个性化音乐推荐
图1xxxxx
当前主流的推荐算法分为基于内容的推荐和基于协同过滤的推荐以及混合推荐算法这三大类，国内外的大多数音乐网站或音乐电台通常都会采用这三种技术。基于内容的推荐方法是根据用户曾经喜欢的物品，找到与该物品内容相似的物品推荐给用户，需要有物品的内容信息是标注。这个项目的背后需要对每一首歌进行专业的音乐属性标注，例如音乐节奏、旋律、乐器、流派等等。这些属性就像是音乐的基因一样，有了成千上万的音乐基因就可以准确的判断音乐之间的相似性。
（1）基于内容的协同过滤
基于内容的推荐方法具有实现简单易于理解的特点，是协同过滤[4]中最流行的一种推荐技术。按照比较对象类别的不同，基于内存的协同过滤又可分为基于用户的协同过滤和基于项目的协同过滤两种。基于用户的协同过滤推荐的基本思想是，要想为当前用户推荐合适的物品，最佳的方式是先找到与当前用户兴趣上最相近的邻居用户集，邻居用户的兴趣偏好可以作为当前用户的推荐根据。基于这样的思想，计算出与当前用户兴趣偏好最相似的Top-k个邻居用户集。接着，根据Top-k个邻居用户对当前用户尚未评分物品的加权平均评分值，预测当前用户对各种待推荐物品的评分，最终向当前用户推荐评分值排名靠前的物品。
（2）基于模型的協同过滤
与基于内存的协同过滤推荐不同，基于模型的协同过滤推荐主要通过用户对项目的评分信息，构造出基于“用户-项目”的评分矩阵，进而从该矩阵中训练出相应的评估模型，利用评估模型预测用户为评分项的评分值。目前，基于模型协同过滤推荐算法主要包括贝叶斯层次模型、聚类模型、潜在因子模型等。为了处理大数据的需要，Salakhutdinov等人提出了利用低维近似矩阵分解模型进行推荐，取得了良好的推荐效果。矩阵分解模型凭借着处理大数据上的独特优势，已成为当前应用最广泛的基于模型的协同过滤推荐技术。
（3）混合推荐算法
单一的推荐算法无法在海量的数据当中较为精确地推荐出满足用户需求的曲目，多为几种瑞安算法的混合。一般情况下，可以将基于协同过滤的推荐和其他推荐算法混合，根据权重选择效果较好的作为最终推荐的结果。随着网络技术的发展和用户的个性化需求，也可以将推荐算法与其他因素相融合，例如用户位置、情景信息等。
基于矩阵分解的协同过滤推荐的一项关键步骤是模型的学习，模型的好坏直接决定推荐结果的准确性。模型的学习过程即利用已有的评分数据训练出最佳的用户特征矩阵U和项目特征矩阵M。
4.总结
本文提出基于大数据下智能谱曲软件的算法研究方案，通过算法实现人工智能谱曲功能，并利用大数据检索实现个性化音乐推荐系统，为计算机音乐制作中实现智能化和个性化提供切实可行的解决方案。研究上还存在需要改进和完善的地方，如情景感知推荐面临的问题，主要体现在数据稀缺性和多维数据处理两方面，后续将针对这两个方面进行深入地研究。本项目受到广东石油化工学院创新创业学院-大学生创新培育项目支助，在此表示感谢。
参考文献：
[1]田明，任强.谱曲软件的开发与应用 2014-09-17
[2]冯寅，周昌乐.算法作曲的研究进展 2006
[3]郑银环， 王嘉珺， 郭威， et al. 基于特征旋律挖掘的二阶马尔可夫链在算法作曲中的研究与应用[J]. 计算机应用研究， 2018， 35（3）： 849-853.
[4]邵娜. 基于协同过滤算法的推荐系统设计[J]. 产业与科技论坛， 2019（5）.
作者简介：
吴洁华（1998.4-），女，汉族，广东揭阳，本科在读生，研究方向为：UI设计，广东石油化工学院计电子信息工程学院电子信息科学与技术17级1班;
邓盛益（2000.5-），男，汉族，广东茂名，本科在读生，研究方向为：测控技术与仪器，广东石油化工学院自动化学院测控技术与仪器17级2班;
邱金波（1982.2-），男，汉族，广东茂名，本科在读生，研究方向为：计算机科学与技术，广东石油化工学院电子信息工程学院;
陈由振（1998.4-），男，汉族，广东湛江，本科在读生，研究方向为：网络工程，广东石油化工学院计算机学院网络工程17级2班。