一种音乐分类方法技术

本申请公开了一种音乐分类方法

【技术实现步骤摘要】
一种音乐分类方法、电子设备及计算结可读存储介质


[0001]本申请涉及多媒体
，特别涉及一种音乐分类方法
、
电子设备及计算结可读存储介质
。

技术介绍

[0002]目前，在音乐分类任务中，通常结合人工神经网络技术，利用大批量的音乐样本训练音乐分类模型，实现音乐分类任务处理
。
然而，现阶段的基于神经网络模型的音乐分类技术仍然存在准确性问题
。
[0003]因此，如何实现更为准确的音乐分类是本领域技术人员亟待解决的问题
。

技术实现思路

[0004]本申请的目的是提供一种音乐分类方法，该方法可以有效提高音乐分类结果的准确性；本申请的另一目的是提供一种电子设备以及计算机可读存储介质，均具有上述有益效果
。
[0005]第一方面，本申请提供了一种音乐分类方法，包括：
[0006]获取打标签音乐样本
、
无标签音乐样本
、
分类任务样本；
[0007]确定初始网络模型，所述初始网络模型包括对比学习编码器和分类器；
[0008]利用所述无标签音乐样本对所述对比学习编码器进行训练，获得第一训练损失；
[0009]利用所述分类任务样本对所述分类器进行训练，获得第二训练损失；
[0010]根据所述第一训练损失和所述第二训练损失计算总训练损失；
[0011]当所述总训练损失不满足预设损失条件时，返回所述利用所述无标签音乐样本对所述对比学习编码器进行训练的步骤，直至获得所述总训练损失满足所述预设损失条件的优化网络模型，所述优化网络模型包括训练后的对比学习编码器和训练后的分类器；
[0012]利用所述打标签音乐样本对所述优化网络模型进行训练，获得音乐分类模型；
[0013]利用所述音乐分类模型对目标音乐数据进行处理，获得分类结果
。
[0014]可选地，所述利用所述无标签音乐样本对所述对比学习编码器进行训练，获得第一训练损失，包括：
[0015]对于每一所述无标签音乐样本，在所述无标签音乐样本中提取歌词文本；
[0016]对所述歌词文本进行文本划分，获得各单句歌词；
[0017]利用所述对比学习编码器对各所述单句歌词进行训练处理，获得各所述单句歌词对应的歌词损失；
[0018]根据各所述单句歌词对应的歌词损失计算获得所述无标签音乐样本对应的音乐损失；
[0019]根据各所述无标签音乐样本对应的音乐损失计算获得所述第一训练损失
。
[0020]可选地，所述利用所述分类任务样本对所述分类器进行训练，获得第二训练损失，包括：
[0021]对于每一所述分类任务样本，利用所述分类器对所述分类任务样本进行处理，获得模型分类结果；
[0022]根据所述模型分类结果和所述分类任务样本的实际分类结果计算获得所述分类任务样本对应的分类损失；
[0023]根据各所述分类任务样本对应的分类损失计算获得所述第二训练损失
。
[0024]可选地，所述打标签音乐样本包括各音乐标签对应的音乐样本；
[0025]所述利用所述打标签音乐样本对所述优化网络模型进行训练，获得音乐分类模型，包括：
[0026]对于每一所述音乐标签，确定所述音乐标签对应的预设特征类型；
[0027]按照所述预设特征类型对所述音乐标签对应的音乐样本进行特征提取，获得各所述音乐样本的特征信息；
[0028]利用各所述特征信息对所述优化网络模型进行训练，获得所述音乐标签对应的所述音乐分类模型
。
[0029]可选地，所述利用所述音乐分类模型对目标音乐数据进行处理，获得分类结果，包括：
[0030]将利用所述目标音乐数据输入至所述音乐分类模型进行处理，获得分类置信度；
[0031]确定所述分类置信度命中的置信度区间；
[0032]根据所述置信度区间对应的匹配策略对所述目标音乐数据进行处理，获得所述分类结果
。
[0033]可选地，所述根据所述置信度区间对应的匹配策略对所述目标音乐数据进行处理，获得所述分类结果，包括：
[0034]当所述分类置信度命中一级置信度区间时，确定所述分类结果为所述目标音乐数据命中所述音乐分类模型对应的音乐标签；
[0035]当所述分类置信度命中二级置信度区间时，确定所述音乐分类模型对应的音乐标签的特征库，确定所述目标音乐数据与所述特征库的匹配度，并根据所述匹配度确定所述分类结果；
[0036]当所述分类置信度命中三级置信度区间时，确定所述分类结果为所述目标音乐数据未命中所述音乐分类模型对应的音乐标签
。
[0037]可选地，所述获取打标签音乐样本，包括：
[0038]获取各音乐标签下的初始音乐样本；
[0039]对于每一所述音乐标签，获取所述音乐标签下的各所述初始音乐样本的样本歌词；
[0040]利用语言翻译模型对所述样本歌词进行翻译，获得第一翻译歌词；
[0041]利用所述语言翻译模型对应的反向翻译模型对所述第一翻译歌词进行反向翻译，获得第二翻译歌词；
[0042]将各所述第二翻译歌词作为所述音乐标签下的增强音乐样本；
[0043]将各所述音乐标签下的初始音乐样本和增强音乐样本组合为所述打标签音乐样本
。
[0044]可选地，所述获取打标签音乐样本，包括：
[0045]获取各音乐标签下的初始音乐样本；
[0046]对于每一所述音乐标签，获取所述音乐标签下的各所述初始音乐样本的样本歌词；
[0047]按照预设词语处理规则对所述样本歌词进行处理，获得新样本歌词，所述预设词语处理规则包括词语替换
、
词语删除
、
词语增加中的一种或多种；
[0048]将各所述新样本歌词作为所述音乐标签下的增强音乐样本；
[0049]将各所述音乐标签下的初始音乐样本和增强音乐样本组合为所述打标签音乐样本
。
[0050]可选地，所述获取打标签音乐样本，包括：
[0051]获取各音乐标签下的初始音乐样本；
[0052]对于每一所述音乐标签，利用数据增强模型对各所述初始音乐样本进行处理，获得所述音乐标签下的增强音乐样本；
[0053]将各所述音乐标签下的初始音乐样本和增强音乐样本组合为所述打标签音乐样本
。
[0054]第二方面，本申请还公开了一种电子设备，包括：
[0055]存储器，用于存储计算机程序；
[0056]处理器，用于执行所述计算机程序时实现如上所述的任一种音乐分类方法的步骤
。
[0057]第三方面，本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的任一种音乐分类方法的步骤
。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种音乐分类方法，其特征在于，包括：获取打标签音乐样本
、
无标签音乐样本
、
分类任务样本；确定初始网络模型，所述初始网络模型包括对比学习编码器和分类器；利用所述无标签音乐样本对所述对比学习编码器进行训练，获得第一训练损失；利用所述分类任务样本对所述分类器进行训练，获得第二训练损失；根据所述第一训练损失和所述第二训练损失计算总训练损失；当所述总训练损失不满足预设损失条件时，返回所述利用所述无标签音乐样本对所述对比学习编码器进行训练的步骤，直至获得所述总训练损失满足所述预设损失条件的优化网络模型，所述优化网络模型包括训练后的对比学习编码器和训练后的分类器；利用所述打标签音乐样本对所述优化网络模型进行训练，获得音乐分类模型；利用所述音乐分类模型对目标音乐数据进行处理，获得分类结果
。2.
根据权利要求1所述的音乐分类方法，其特征在于，所述利用所述无标签音乐样本对所述对比学习编码器进行训练，获得第一训练损失，包括：对于每一所述无标签音乐样本，在所述无标签音乐样本中提取歌词文本；对所述歌词文本进行文本划分，获得各单句歌词；利用所述对比学习编码器对各所述单句歌词进行训练处理，获得各所述单句歌词对应的歌词损失；根据各所述单句歌词对应的歌词损失计算获得所述无标签音乐样本对应的音乐损失；根据各所述无标签音乐样本对应的音乐损失计算获得所述第一训练损失
。3.
根据权利要求1所述的音乐分类方法，其特征在于，所述利用所述分类任务样本对所述分类器进行训练，获得第二训练损失，包括：对于每一所述分类任务样本，利用所述分类器对所述分类任务样本进行处理，获得模型分类结果；根据所述模型分类结果和所述分类任务样本的实际分类结果计算获得所述分类任务样本对应的分类损失；根据各所述分类任务样本对应的分类损失计算获得所述第二训练损失
。4.
根据权利要求1所述的音乐分类方法，其特征在于，所述打标签音乐样本包括各音乐标签对应的音乐样本；所述利用所述打标签音乐样本对所述优化网络模型进行训练，获得音乐分类模型，包括：对于每一所述音乐标签，确定所述音乐标签对应的预设特征类型；按照所述预设特征类型对所述音乐标签对应的音乐样本进行特征提取，获得各所述音乐样本的特征信息；利用各所述特征信息对所述优化网络模型进行训练，获得所述音乐标签对应的所述音乐分类模型
。5.
根据权利要求1所述的音乐分类方法，其特征在于，所述利用所述音乐分类模型对目标音乐数据进行处理，获得分类结果，包括：将利用所述目标音乐数据输入至所述音乐分类模型进行处理，获得分类置信度；确定所述分类置信度命中的置信度区间；
...

【专利技术属性】
技术研发人员：董文，潘树燊，曹利，
申请(专利权)人：腾讯音乐娱乐科技深圳有限公司，
类型：发明
国别省市：