音乐分类方法、音乐分类装置、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种音乐分类方法、音乐分类装置、电子设备及存储介质。


背景技术：

2.目前，在音乐分类任务中常常依赖于提取到的音乐特征信息来确定音乐的流派类别，而在特征提取阶段往往存在特征信息缺失等情况，会导致音乐分类的准确性不高，因此，如何提高音乐分类的准确性，成为了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种音乐分类方法、音乐分类装置、电子设备及存储介质，旨在提高音乐分类的准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种音乐分类方法，所述方法包括：
5.获取样本音乐的样本音频数据和样本歌词数据；
6.对所述样本音频数据进行音频特征提取，得到样本音频特征；
7.对所述样本歌词数据进行歌词特征提取，得到样本歌词特征；
8.基于所述样本音频特征和所述样本歌词特征，构建正音乐样本对和负音乐样本对；
9.基于所述正音乐样本对和所述负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型；
10.获取目标音乐的目标数据；
11.对所述目标数据进行特征提取，得到所述目标音乐的目标音乐特征；
12.基于所述音乐分类模型和所述目标音乐特征对所述目标音乐进行流派评分，得到流派评分数据，并根据所述流派评分数据得到所述目标音乐的流派类别。
13.在一些实施例，所述对所述样本音频数据进行音频特征提取，得到样本音频特征，包括：
14.对所述样本音频数据进行格式转换，得到样本频谱数据；
15.将所述样本频谱数据输入至预设的特征提取模型中，其中，所述特征提取模型包括卷积层和池化层；
16.基于所述卷积层对所述样本频谱数据进行二维卷积处理，得到初步频谱特征；
17.基于所述池化层对所述初步频谱特征进行最大池化处理，得到所述样本音频特征。
18.在一些实施例，所述对所述样本歌词数据进行歌词特征提取，得到样本歌词特征，包括：
19.将所述样本歌词数据输入至预设的文本编码模型中，其中，所述文本编码模型包
括嵌入层和transformer编码器；
20.基于所述嵌入层对所述样本歌词数据进行嵌入处理，得到样本歌词嵌入表示；
21.基于所述transformer编码器对所述样本歌词嵌入表示进行特征编码，得到所述样本歌词特征。
22.在一些实施例，所述正音乐样本对和所述负音乐样本对均包括一个样本音频特征和一个样本歌词特征，所述基于所述样本音频特征和所述样本歌词特征，构建正音乐样本对和负音乐样本对，包括：
23.基于来源于同一样本音乐的所述样本音频特征和所述样本歌词特征，构建所述正音乐样本对；
24.基于来源于不同样本音乐的所述样本音频特征和所述样本歌词特征，构建所述负音乐样本对。
25.在一些实施例，所述基于所述正音乐样本对和所述负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型，包括：
26.对所述正音乐样本对进行特征降维，得到正音乐特征对，并对所述负音乐样本对进行特征降维，得到负音乐特征对，其中，所述负音乐特征对包括第一负特征对、第二负特征对；
27.对所述正音乐特征对进行特征相似评分，得到第一相似数据，对所述第一负特征对进行特征相似评分，得到第二相似数据，并对所述第二负特征对进行特征相似评分，得到第三相似数据；
28.基于所述第一相似数据和所述第二相似数据进行损失计算，得到第一损失数据；
29.基于所述第一相似数据和所述第三相似数据进行损失计算，得到第二损失数据；
30.基于所述第一损失数据和所述第二损失数据对所述神经网络模型进行参数优化，得到所述音乐分类模型。
31.在一些实施例，所述目标数据包括所述目标音乐的目标音频数据和目标歌词数据，所述对所述目标数据进行特征提取，得到所述目标音乐的目标音乐特征，包括：
32.对所述目标音频数据进行音频特征提取，得到目标音频特征；
33.对所述目标歌词数据进行歌词特征提取，得到目标歌词特征；
34.对所述目标音频特征和所述目标歌词特征进行特征拼接，得到所述目标音乐特征。
35.在一些实施例，所述基于所述音乐分类模型和所述目标音乐特征对所述目标音乐进行流派评分，得到流派评分数据，并根据所述流派评分数据得到所述目标音乐的流派类别，包括：
36.基于所述音乐分类模型的预设函数和候选流派类别对所述目标音乐特征进行流派评分，得到所述流派评分数据，其中，所述流派评分数据用于表示所述目标音乐属于每个所述候选流派类别的概率；
37.选取所述流派评分数据最大的候选流派类别作为所述目标音乐的流派类别。
38.为实现上述目的，本技术实施例的第二方面提出了一种音乐分类装置，所述装置包括：
39.样本数据获取模块，用于获取样本音乐的样本音频数据和样本歌词数据；
40.音频特征提取模块，用于对所述样本音频数据进行音频特征提取，得到样本音频特征；
41.歌词特征提取模块，用于对所述样本歌词数据进行歌词特征提取，得到样本歌词特征；
42.样本对构建模块，用于基于所述样本音频特征和所述样本歌词特征，构建正音乐样本对和负音乐样本对；
43.模型训练模块，用于基于所述正音乐样本对和所述负音乐样本对对对预设的神经网络模型进行模型训练，得到音乐分类模型；
44.目标数据获取模块，用于获取目标音乐的目标数据；
45.目标特征提取模块，用于对所述目标数据进行特征提取，得到所述目标音乐的目标音乐特征；
46.流派分类模块，用于基于所述音乐分类模型和所述目标音乐特征对所述目标音乐进行流派评分，得到流派评分数据，并根据所述流派评分数据得到所述目标音乐的流派类别。
47.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
48.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
49.本技术提出的音乐分类方法、音乐分类装置、电子设备及存储介质，其通过获取样本音乐的样本音频数据和样本歌词数据；对样本音频数据进行音频特征提取，得到样本音频特征；对样本歌词数据进行歌词特征提取，得到样本歌词特征，这一方式能够同时提取到样本音乐的歌词信息和音频信息，提高了特征信息的丰富性。进一步地，基于样本音频特征和样本歌词特征，构建正音乐样本对和负音乐样本对；基于正音乐样本对和负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型，能够基于对比学习的方式将不同模态的特征进行融合，构建出多种样本对，利用正音乐样本对和负音乐样本对来进行模型训练，能够有利于模型对样本对的相关性和差异性进行学习，能够较高地改善模型对音乐分类的精度。最后，获取目标音乐的目标数据；对目标数据进行特征提取，得到目标音乐的目标音乐特征；基于音乐分类模型和目标音乐特征对目标音乐进行流派评分，得到流派评分数据，并根据流派评分数据得到目标音乐的流派类别，能够较好地实现模型对音乐在流派维度上的分类，提高了音乐分类准确性。
附图说明
50.图1是本技术实施例提供的音乐分类方法的流程图；
51.图2是图1中的步骤s102的流程图；
52.图3是图1中的步骤s103的流程图；
53.图4是图1中的步骤s104的流程图；
54.图5是图1中的步骤s105的流程图；
55.图6是图1中的步骤s107的流程图；
56.图7是图1中的步骤s108的流程图；
57.图8是本技术实施例提供的音乐分类装置的结构示意图；
58.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
59.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
60.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
61.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
62.首先，对本技术中涉及的若干名词进行解析：
63.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
64.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
65.信息抽取(information extraction，ner)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
66.傅里叶变换：表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域，傅立叶变换具有多种不同的变体形
式，如连续傅立叶变换和离散傅立叶变换。
67.梅尔倒频谱系数(mel-frequency cipstal coefficients,mfcc)：是一组用来建立梅尔倒频谱的关键系数。由音乐信号当中的片段，可以得到一组足以代表此音乐信号的倒频谱，而梅尔倒频谱系数即是从这个倒频谱中推得的倒频谱(也就是频谱的频谱)。与一般的倒频谱不同，梅尔倒频谱最大的特色在于梅尔倒频谱上的频带是均匀分布于梅尔刻度上的，也就是说，相较于一般所看到、线性的倒频谱表示方法，这样的频带会和人类非线性的听觉系统(audio system)更为接近。例如：在音讯压缩的技术中，常常使用梅尔倒频谱来处理。
68.编码(encoder)：就是将输入序列转化成一个固定长度的向量。
69.解码(decoder)：就是将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
70.softmax函数：softmax函数是归一化指数函数。
71.目前，在音乐分类任务中常常依赖于提取到的音乐特征信息来确定音乐的流派类别，而在特征提取阶段往往存在特征信息缺失等情况，会导致音乐分类的准确性不高，因此，如何提高音乐分类的准确性，成为了亟待解决的技术问题。
72.基于此，本技术实施例提供了一种音乐分类方法、音乐分类装置、电子设备及存储介质，旨在提高音乐分类的准确性。
73.本技术实施例提供的音乐分类方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的音乐分类方法。
74.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
75.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
76.本技术实施例提供的音乐分类方法，涉及人工智能技术领域。本技术实施例提供的音乐分类方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现音乐分类方法的应用等，但并不局限于以上形式。
77.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明
确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
78.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
79.图1是本技术实施例提供的音乐分类方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s108。
80.步骤s101，获取样本音乐的样本音频数据和样本歌词数据；
81.步骤s102，对样本音频数据进行音频特征提取，得到样本音频特征；
82.步骤s103，对样本歌词数据进行歌词特征提取，得到样本歌词特征；
83.步骤s104，基于样本音频特征和样本歌词特征，构建正音乐样本对和负音乐样本对；
84.步骤s105，基于正音乐样本对和负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型；
85.步骤s106，获取目标音乐的目标数据；
86.步骤s107，对目标数据进行特征提取，得到目标音乐的目标音乐特征；
87.步骤s108，基于音乐分类模型和目标音乐特征对目标音乐进行流派评分，得到流派评分数据，并根据流派评分数据得到目标音乐的流派类别。
88.本技术实施例所示意的步骤s101至步骤s108，通过获取样本音乐的样本音频数据和样本歌词数据；对样本音频数据进行音频特征提取，得到样本音频特征；对样本歌词数据进行歌词特征提取，得到样本歌词特征，这一方式能够同时提取到样本音乐的歌词信息和音频信息，提高了特征信息的丰富性。进一步地，基于样本音频特征和样本歌词特征，构建正音乐样本对和负音乐样本对；基于正音乐样本对和负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型，能够基于对比学习的方式将不同模态的特征进行融合，构建出多种样本对，利用正音乐样本对和负音乐样本对来进行模型训练，能够有利于模型对样本对的相关性和差异性进行学习，能够较高地改善模型对音乐分类的精度。最后，获取目标音乐的目标数据；对目标数据进行特征提取，得到目标音乐的目标音乐特征；基于音乐分类模型和目标音乐特征对目标音乐进行流派评分，得到流派评分数据，并根据流派评分数据得到目标音乐的流派类别，能够较好地实现模型对音乐在流派维度上的分类，提高了音乐分类准确性。
89.在一些实施例的步骤s101中，可以从预设的音乐数据库中提取样本音乐的音乐数据，或者通过网络平台等渠道下载样本音乐的音乐数据，还可以基于其他方式获取样本音乐的音乐数据，不限于此。其中，样本音乐的音乐数据包括样本音乐的样本音频数据和样本歌词数据。样本音乐可以包括不同语种、不同场景、不同风格的音乐。例如，样本音乐包括中
文歌曲、英文歌曲或者日文歌曲等等，样本音频数据可以是一维时序信号形式的wav文件。
90.请参阅图2，在一些实施例中，步骤s102可以包括但不限于包括步骤s201至步骤s204：
91.步骤s201，对样本音频数据进行格式转换，得到样本频谱数据；
92.步骤s202，将样本频谱数据输入至预设的特征提取模型中，其中，特征提取模型包括卷积层和池化层；
93.步骤s203，基于卷积层对样本频谱数据进行二维卷积处理，得到初步频谱特征；
94.步骤s204，基于池化层对初步频谱特征进行最大池化处理，得到样本音频特征。
95.在一些实施例的步骤s201中，可以从常用的语音处理数据库中调用预设函数，例如，该语音处理数据库可以是librosa库，预设函数可以是librosa库中的librosa.feature.melspectrogram()函数，直接利用librosa.feature.melspectrogram()函数来对样本音频数据进行频谱特征提取，进行格式转换，先将样本音频数据转换为傅里叶变换频谱，再将该傅里叶变换频谱转换为梅尔频谱，从而得到样本频谱数据，该样本频谱数据为梅尔倒谱特征。这一方式能够将一维的难以处理的时序信号转换为易于处理且音频信息丰富的二维频域数据。
96.在一些实施例的步骤s202中，可以利用预设的计算机程序将样本频谱数据输入至预设的特征提取模型中，其中，特征提取网络可以基于二维卷积神经网络模型构建而成，特征提取网络包括二维卷积层和池化层。
97.在一些实施例的步骤s203中，基于二维卷积层对样本频谱数据进行卷积处理，提取样本频谱数据中的频谱信息，得到初步频谱特征。
98.在一些实施例的步骤s204中，基于池化层对初步频谱特征进行最大池化处理，能够最大限度地获取到样本频谱数据中的全部频谱特征内容，得到样本音频特征，其中，样本音频特征包括样本音乐的韵律特点、音调特点以及音乐内容信息等等。
99.此外，本技术实施例的特征提取网络还包括dropout层和批量归一化层，dropout层用于在模型训练阶段防止特征提取网络过拟合，批量归一化层用于在模型训练阶段对样本数据进行均值和标准差计算，并基于计算结果对特征提取网络进行参数调整，提高特征提取网络的输出稳定性。
100.通过上述步骤s201至步骤s204能够较为方便地将样本音频数据由时域信号转换成频域信号，并基于特征提取网络对该频域信号(即样本频谱数据)进行特征提取，能够提高获取到的样本音频特征的特征质量，有利于基于样本音频特征来进行模型训练，能够改善模型对样本音乐的频谱信息的学习能力，提高模型的音乐分类准确性。
101.请参阅图3，在一些实施例中，步骤s103可以包括但不限于包括步骤s301至步骤s303：
102.步骤s301，将样本歌词数据输入至预设的文本编码模型中，其中，文本编码模型包括嵌入层和transformer编码器；
103.步骤s302，基于嵌入层对样本歌词数据进行嵌入处理，得到样本歌词嵌入表示；
104.步骤s303，基于transformer编码器对样本歌词嵌入表示进行特征编码，得到样本歌词特征。
105.在一些实施例的步骤s301中，可以利用预设的计算机程序将样本歌词数据输入至
预设的文本编码模型中，其中，文本编码模型可以基于bert模型等构建而成，其中，文本编码模型包括嵌入层和transformer编码器。
106.在一些实施例的步骤s302中，在基于嵌入层对样本歌词数据进行嵌入处理时，可以将样本歌词数据中的文本词段从高维空间嵌入至一个预设的低维连续向量空间，将样本歌词数据中的文本词段转换为实数域的向量特征，得到样本歌词嵌入表示，其中，该样本歌词嵌入表示是文本词段的词嵌入、位置嵌入和类型嵌入之和，其中，词嵌入表示文本词段的词信息，位置嵌入表示文本词段的位置信息，类别嵌入表示文本词段的词性类别信息等等。
107.在一些实施例的步骤s303中，该transformer编码器是一个双向编码器，由多层编码单元堆叠而成，其中，每个编码单元包括自注意力层、残差层、归一化层以及dropout层。通过transformer编码器对样本歌词嵌入表示进行特征编码时，由自注意力层对样本歌词嵌入表示进行全局自注意力处理，并由残差层将自注意力处理的结果与样本歌词嵌入表示进行残差连接，接着由归一化层对残差连接的结果进行均值和标准差的归一化，并将归一化的结果作为样本歌词特征。这一过程能够较为方便地提取到样本歌词数据中的语义信息，该语义信息能够包含样本音乐的文本内容特点。
108.通过上述步骤s301至步骤s303能够较为方便地将样本歌词数据嵌入至预设的低维连续向量空间，得到样本歌词嵌入表示，并基于样本歌词嵌入表示来提取样本音乐的文本内容信息，得到样本歌词特征，将样本歌词特征包含的流派信息用于训练模型的音乐分类能力，能够提高模型对音乐分类的准确性。
109.请参阅图4，在一些实施例中，正音乐样本对和负音乐样本对均包括一个样本音频特征和一个样本歌词特征，步骤s104可以包括但不限于包括步骤s401至步骤s402：
110.步骤s401，基于来源于同一样本音乐的样本音频特征和样本歌词特征，构建正音乐样本对；
111.步骤s402，基于来源于不同样本音乐的样本音频特征和样本歌词特征，构建负音乐样本对。
112.在一些实施例的步骤s401中，由于来源于同一样本音乐的样本音频特征和样本歌词特征之间的音乐信息相关程度较高，因此，基于来源于同一样本音乐的样本音频特征和样本歌词特征，构建正音乐样本对，一个正音乐样本对同时包括同一个样本音乐的样本音频特征和样本歌词特征，例如，正音乐样本对包括和其中，由第i个样本音乐的样本音频特征和样本歌词特征构成，由第j个样本音乐的样本音频特征和样本歌词特征构成。
113.在一些实施例的步骤s402中，由于来源于不同样本音乐的样本音频特征和样本歌词特征之间的音乐信息差异较高，因此，基于来源于不同样本音乐的样本音频特征和样本歌词特征，构建负音乐样本对，一个负音乐样本对包括一个个样本音乐的样本音频特征和另一个样本音乐的样本歌词特征，例如，负音乐样本对包括和其中，由第i个样本音乐的样本音频特征和第j个样本音乐的样本歌词特征构成，由第j个样本音乐的样本音频特征和第i个样本音乐的样本歌词
特征构成。
114.通过上述步骤s401至步骤s402能够构建出多个正音乐样本对和负音乐样本对，缩小正音乐样本对的样本音频特征和样本歌词特征之间的音乐信息的差异程度，扩大负音乐样本对的样本音频特征和样本歌词特征之间的音乐信息的差异程度，并基于正音乐样本对和负音乐样本对来训练神经网络模型，提高模型对正音乐样本对和负音乐样本对内的样本音频特征和样本歌词特征之间的音乐信息进行差异学习，从而提高模型对音乐信息的辨识能力，改善模型对音乐分类的准确性。
115.请参阅图5，在一些实施例中，步骤s105可以包括但不限于包括步骤s501至步骤s505：
116.步骤s501，对正音乐样本对进行特征降维，得到正音乐特征对，并对负音乐样本对进行特征降维，得到负音乐特征对，其中，负音乐特征对包括第一负特征对、第二负特征对；
117.步骤s502，对正音乐特征对进行特征相似评分，得到第一相似数据，对第一负特征对进行特征相似评分，得到第二相似数据，并对第二负特征对进行特征相似评分，得到第三相似数据；
118.步骤s503，基于第一相似数据和第二相似数据进行损失计算，得到第一损失数据；
119.步骤s504，基于第一相似数据和第三相似数据进行损失计算，得到第二损失数据；
120.步骤s505，基于第一损失数据和第二损失数据对神经网络模型进行参数优化，得到音乐分类模型。
121.在一些实施例的步骤s501中，在对正音乐样本对和负音乐样本对进行特征降维时，可以利用线性映射层ga对样本音频特征进行特征降维，利用线性映射层g
l
对样本歌词特征进行特征降维，从而得到正音乐样本对对应的正音乐特征对，例如，对正音乐样本对进行特征降维，得到正音乐特征对进行特征降维，得到正音乐特征对例如，对负音乐样本对进行特征降维，得到第一负特征对对负音乐样本对进行特征降维，得到第二负特征对
122.在一些实施例的步骤s502中，在对正音乐特征对、第一负特征对、第二负特征对进行特征相似评分时，可以采用余弦相似度算法或者欧式距离法等进行相似性计算，得到正音乐特征对对应的第一相似数据，第一负音乐特征对对应的第二相似数据以及第二负音乐特征对对应的第三相似数据。其中，特征相似评分的计算公式可以如公式(1)所示：
123.s(a，l)＝ga(ea)
·gl
(e
l
)
ꢀꢀꢀ
公式(1)
124.其中，s(a,l)为计算得到的相似数据，ga(ea)为经过特征降维的样本音频特征，g
l
(e
l
)为经过特征降维的样本歌词特征。
125.在一些实施例的步骤s503中，基于第一相似数据和第二相似数据进行损失计算，得到第一损失数据的过程可以表示如公式(2)所示：：
[0126][0127]
其中，la→
l
为第一损失数据，即音频到歌词的损失项；b为样本音乐的总数量，τ1为模型参数，j为第j个样本音乐，s(ai，li)为第i个样本音乐的样本音频特征和样本歌词特征
之间的第一相似数据，s(ai，li)为第i个样本音乐的样本音频特征和第j个样本音乐的样本歌词特征之间的第二相似数据。
[0128]
在一些实施例的步骤s504中，基于第一相似数据和第三相似数据进行损失计算，得到第二损失数据的过程可以表示如公式(3)所示：：
[0129][0130]
其中，l
l
→a为第二损失数据，即歌词到音频的损失项；b为样本音乐的总数量，τ2为模型参数，s(ai，li)为第i个样本音乐的样本音频特征和样本歌词特征之间的第一相似数据，s(aj，li)为第j个样本音乐的样本音频特征和第i个样本音乐的样本歌词特征之间的第三相似数据。
[0131]
在一些实施例的步骤s505中，对第一损失数据和第二损失数据进行求和，得到目标损失数据，根据目标损失数据和预设的损失阈值之间的大小关系，不断地调整神经网络模型的模型参数，对神经网络模型进行迭代训练，使得神经网络模型能够更好地学习和挖掘同一样本音乐的音频特征和歌词特征内的音乐流派信息的相关性以及不同样本音乐的音频特征和歌词特征内的音乐流派信息的差异性，将最终使得目标损失数据小于损失阈值的模型参数作为最终的模型参数，从而得到音乐分类模型。
[0132]
通过上述步骤s501至步骤s505能够基于正音乐样本对和负音乐样本对进行对比学习，利用对比学习得到的第一损失数据和第二损失数据来对神经网络模型进行训练，这一对比学习方式能够有效地消除不同模态特征之间的差异性，增强不同模态之间的互补性，提高模型对不同模态特征的特征融合能力，同时，本技术实施例的音乐分类方法基于样本音乐的歌词特征和音频特征两方面的特征(即两种不同模态的特征)的特征信息进行模型训练，能够使得模型同时对样本音乐的音频特征中的流派信息以及歌词特征中的流派信息进行学习，能够有效地改善模型对音乐流派分类的准确性。
[0133]
在一些实施例的步骤s106中，可以从预设的音乐数据库中提取目标音乐的目标数据，或者通过网络平台等渠道下载目标音乐的目标数据，还可以基于其他方式获取目标音乐的目标数据，不限于此。其中，目标音乐的目标数据包括目标音乐的目标音频数据和目标歌词数据，目标音频数据可以是一维时序信号形式的wav文件。
[0134]
请参阅图6，在一些实施例，目标数据包括目标音乐的目标音频数据和目标歌词数据，步骤s107包括但不限于包括步骤s601至步骤s603：
[0135]
步骤s601，对目标音频数据进行音频特征提取，得到目标音频特征；
[0136]
步骤s602，对目标歌词数据进行歌词特征提取，得到目标歌词特征；
[0137]
步骤s603，对目标音频特征和目标歌词特征进行特征拼接，得到目标音乐特征。
[0138]
在一些实施例的步骤s601中，对目标音频数据进行音频特征提取，得到目标音频特征的具体过程和上述步骤s102的特征提取过程基本一致，此处不再赘述。
[0139]
在一些实施例的步骤s602中，对目标歌词数据进行歌词特征提取，得到目标歌词特征的具体过程和上述步骤s103的特征提取过程基本一致，此处不再赘述。
[0140]
在一些实施例的步骤s603中，在对目标音频特征和目标歌词特征进行特征拼接时，可以对目标音频特征和目标歌词特征进行向量拼接或者向量相加，得到目标音乐特征。
[0141]
通过上述步骤s601至步骤s603能够提取到目标音乐的音频特征信息和歌词文本
特征信息，并基于音频特征信息和歌词文本特征信息生成目标音乐特征，使得目标音乐特征能够同时具备目标音乐的音频信息和歌词信息，也能够将不同模态的特征进行较好的特征融合，能够提高目标音乐特征的特征质量，并将目标音乐特征用于后续的音乐分类过程，有利于提高音乐分类的准确性。
[0142]
请参阅图7，在一些实施例中，步骤s108可以包括但不限于包括步骤s701至步骤s702：
[0143]
步骤s701，基于音乐分类模型的预设函数和候选流派类别对目标音乐特征进行流派评分，得到流派评分数据，其中，流派评分数据用于表示目标音乐属于每个候选流派类别的概率；
[0144]
步骤s702，选取流派评分数据最大的候选流派类别作为目标音乐的流派类别。
[0145]
在一些实施例的步骤s701中，该预设函数可以是softmax分类器等等，不做限制。以softmax分类器为例，基于softmax分类器创建目标音乐特征在每一候选流派类别上的概率分布，实现对目标音乐特征的音乐流派评分，将每一候选流派类别的概率分布向量作为目标音乐在候选流派类别上的流派评分数据。
[0146]
在一些实施例的步骤s702中，由于流派评分数据的大小可以直接反映出目标音乐属于每一候选流派类别的可能性，即流派评分数据越大，目标音乐中的流派特征更偏向于该流派评分数据对应的候选流派类别。因此，可以从流派评分数据筛选出最大的流派评分数据作为目标评分数据。
[0147]
进一步地，在确定目标评分数据之后，根据目标评分数据对候选流派类别进行筛选，选取目标评分数据对应的候选流派类别作为目标流派标签，并将该目标流派标签作为目标音乐的流派类别。
[0148]
需要说明的是，候选音乐流派标签包括流行音乐、摇滚音乐、民谣音乐、电子音乐、轻音乐、布鲁斯音乐等等，可以根据实际需求设置，不限于此。
[0149]
通过上述步骤s701至步骤s702能够清楚地根据目标音乐的目标音乐特征来判断该目标音乐的流派类别，能够实现基于目标音乐特征来预测该目标音乐在每一个候选流派类别上的概率分布大小，以流派评分数据来量化出目标音乐中表征的流派信息属于每一候选流派类别的可能性，能够较好地提高对目标音乐进行流派分类的准确性。
[0150]
本技术实施例的音乐分类方法，其通过获取样本音乐的样本音频数据和样本歌词数据；对样本音频数据进行音频特征提取，得到样本音频特征；对样本歌词数据进行歌词特征提取，得到样本歌词特征，这一方式能够同时提取到样本音乐的歌词信息和音频信息，提高了特征信息的丰富性。进一步地，基于样本音频特征和样本歌词特征，构建正音乐样本对和负音乐样本对；基于正音乐样本对和负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型，能够基于对比学习的方式将不同模态的特征进行融合，构建出多种样本对，利用正音乐样本对和负音乐样本对来进行模型训练，能够有利于模型对样本对的相关性和差异性进行学习，能够较高地改善模型对音乐分类的精度。最后，获取目标音乐的目标数据；对目标数据进行特征提取，得到目标音乐的目标音乐特征；基于音乐分类模型和目标音乐特征对目标音乐进行流派评分，得到流派评分数据，并根据流派评分数据得到目标音乐的流派类别，能够较好地实现模型对音乐在流派维度上的分类，提高了音乐分类准确性。
[0151]
请参阅图8，本技术实施例还提供一种音乐分类装置，可以实现上述音乐分类方法，该装置包括：
[0152]
样本数据获取模块801，用于获取样本音乐的样本音频数据和样本歌词数据；
[0153]
音频特征提取模块802，用于对样本音频数据进行音频特征提取，得到样本音频特征；
[0154]
歌词特征提取模块803，用于对样本歌词数据进行歌词特征提取，得到样本歌词特征；
[0155]
样本对构建模块804，用于基于样本音频特征和样本歌词特征，构建正音乐样本对和负音乐样本对；
[0156]
模型训练模块805，用于基于正音乐样本对和负音乐样本对对对预设的神经网络模型进行模型训练，得到音乐分类模型；
[0157]
目标数据获取模块806，用于获取目标音乐的目标数据；
[0158]
目标特征提取模块807，用于对目标数据进行特征提取，得到目标音乐的目标音乐特征；
[0159]
流派分类模块808，用于基于音乐分类模型和目标音乐特征对目标音乐进行流派评分，得到流派评分数据，并根据流派评分数据得到目标音乐的流派类别。
[0160]
该音乐分类装置的具体实施方式与上述音乐分类方法的具体实施例基本相同，在此不再赘述。
[0161]
本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述音乐分类方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0162]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0163]
处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0164]
存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的音乐分类方法；
[0165]
输入/输出接口903，用于实现信息输入及输出；
[0166]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wi f i、蓝牙等)实现通信；
[0167]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0168]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0169]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一
个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述音乐分类方法。
[0170]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0171]
本技术实施例提供的音乐分类方法、音乐分类装置、电子设备及计算机可读存储介质，其通过获取样本音乐的样本音频数据和样本歌词数据；对样本音频数据进行音频特征提取，得到样本音频特征；对样本歌词数据进行歌词特征提取，得到样本歌词特征，这一方式能够同时提取到样本音乐的歌词信息和音频信息，提高了特征信息的丰富性。进一步地，基于样本音频特征和样本歌词特征，构建正音乐样本对和负音乐样本对；基于正音乐样本对和负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型，能够基于对比学习的方式将不同模态的特征进行融合，构建出多种样本对，利用正音乐样本对和负音乐样本对来进行模型训练，能够有利于模型对样本对的相关性和差异性进行学习，能够较高地改善模型对音乐分类的精度。最后，获取目标音乐的目标数据；对目标数据进行特征提取，得到目标音乐的目标音乐特征；基于音乐分类模型和目标音乐特征对目标音乐进行流派评分，得到流派评分数据，并根据流派评分数据得到目标音乐的流派类别，能够较好地实现模型对音乐在流派维度上的分类，提高了音乐分类准确性。此外，本技术实施例利用对比学习的方式进行模型训练的思想还可以扩展到其他的任务和场景，具备较好的泛化性和通用性。
[0172]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0173]
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0174]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0175]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0176]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0177]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0178]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0179]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0180]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0181]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0182]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种音乐分类方法，其特征在于，所述方法包括：获取样本音乐的样本音频数据和样本歌词数据；对所述样本音频数据进行音频特征提取，得到样本音频特征；对所述样本歌词数据进行歌词特征提取，得到样本歌词特征；基于所述样本音频特征和所述样本歌词特征，构建正音乐样本对和负音乐样本对；基于所述正音乐样本对和所述负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型；获取目标音乐的目标数据；对所述目标数据进行特征提取，得到所述目标音乐的目标音乐特征；基于所述音乐分类模型和所述目标音乐特征对所述目标音乐进行流派评分，得到流派评分数据，并根据所述流派评分数据得到所述目标音乐的流派类别。2.根据权利要求1所述的音乐分类方法，其特征在于，所述对所述样本音频数据进行音频特征提取，得到样本音频特征，包括：对所述样本音频数据进行格式转换，得到样本频谱数据；将所述样本频谱数据输入至预设的特征提取模型中，其中，所述特征提取模型包括卷积层和池化层；基于所述卷积层对所述样本频谱数据进行二维卷积处理，得到初步频谱特征；基于所述池化层对所述初步频谱特征进行最大池化处理，得到所述样本音频特征。3.根据权利要求1所述的音乐分类方法，其特征在于，所述对所述样本歌词数据进行歌词特征提取，得到样本歌词特征，包括：将所述样本歌词数据输入至预设的文本编码模型中，其中，所述文本编码模型包括嵌入层和transformer编码器；基于所述嵌入层对所述样本歌词数据进行嵌入处理，得到样本歌词嵌入表示；基于所述transformer编码器对所述样本歌词嵌入表示进行特征编码，得到所述样本歌词特征。4.根据权利要求1所述的音乐分类方法，其特征在于，所述正音乐样本对和所述负音乐样本对均包括一个样本音频特征和一个样本歌词特征，所述基于所述样本音频特征和所述样本歌词特征，构建正音乐样本对和负音乐样本对，包括：基于来源于同一样本音乐的所述样本音频特征和所述样本歌词特征，构建所述正音乐样本对；基于来源于不同样本音乐的所述样本音频特征和所述样本歌词特征，构建所述负音乐样本对。5.根据权利要求1所述的音乐分类方法，其特征在于，所述基于所述正音乐样本对和所述负音乐样本对对预设的神经网络模型进行模型训练，得到音乐分类模型，包括：对所述正音乐样本对进行特征降维，得到正音乐特征对，并对所述负音乐样本对进行特征降维，得到负音乐特征对，其中，所述负音乐特征对包括第一负特征对、第二负特征对；对所述正音乐特征对进行特征相似评分，得到第一相似数据，对所述第一负特征对进行特征相似评分，得到第二相似数据，并对所述第二负特征对进行特征相似评分，得到第三相似数据；
基于所述第一相似数据和所述第二相似数据进行损失计算，得到第一损失数据；基于所述第一相似数据和所述第三相似数据进行损失计算，得到第二损失数据；基于所述第一损失数据和所述第二损失数据对所述神经网络模型进行参数优化，得到所述音乐分类模型。6.根据权利要求1所述的音乐分类方法，其特征在于，所述目标数据包括所述目标音乐的目标音频数据和目标歌词数据，所述对所述目标数据进行特征提取，得到所述目标音乐的目标音乐特征，包括：对所述目标音频数据进行音频特征提取，得到目标音频特征；对所述目标歌词数据进行歌词特征提取，得到目标歌词特征；对所述目标音频特征和所述目标歌词特征进行特征拼接，得到所述目标音乐特征。7.根据权利要求1至6任一项所述的音乐分类方法，其特征在于，所述基于所述音乐分类模型和所述目标音乐特征对所述目标音乐进行流派评分，得到流派评分数据，并根据所述流派评分数据得到所述目标音乐的流派类别，包括：基于所述音乐分类模型的预设函数和候选流派类别对所述目标音乐特征进行流派评分，得到所述流派评分数据，其中，所述流派评分数据用于表示所述目标音乐属于每个所述候选流派类别的概率；选取所述流派评分数据最大的候选流派类别作为所述目标音乐的流派类别。8.一种音乐分类装置，其特征在于，所述装置包括：样本数据获取模块，用于获取样本音乐的样本音频数据和样本歌词数据；音频特征提取模块，用于对所述样本音频数据进行音频特征提取，得到样本音频特征；歌词特征提取模块，用于对所述样本歌词数据进行歌词特征提取，得到样本歌词特征；样本对构建模块，用于基于所述样本音频特征和所述样本歌词特征，构建正音乐样本对和负音乐样本对；模型训练模块，用于基于所述正音乐样本对和所述负音乐样本对对对预设的神经网络模型进行模型训练，得到音乐分类模型；目标数据获取模块，用于获取目标音乐的目标数据；目标特征提取模块，用于对所述目标数据进行特征提取，得到所述目标音乐的目标音乐特征；流派分类模块，用于基于所述音乐分类模型和所述目标音乐特征对所述目标音乐进行流派评分，得到流派评分数据，并根据所述流派评分数据得到所述目标音乐的流派类别。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的音乐分类方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的音乐分类方法。

技术总结
本申请提供了一种音乐分类方法、音乐分类装置、电子设备及存储介质，属于人工智能技术领域。方法包括：获取样本音乐的样本音频数据和样本歌词数据；对样本音频数据进行音频特征提取，得到样本音频特征；对样本歌词数据进行歌词特征提取，得到样本歌词特征；基于样本音频特征和样本歌词特征，构建正音乐样本对和负音乐样本对；基于正音乐样本对和负音乐样本对对神经网络模型进行模型训练，得到音乐分类模型；获取目标音乐的目标数据；对目标数据进行特征提取，得到目标音乐的目标音乐特征；基于音乐分类模型和目标音乐特征对目标音乐进行流派评分，得到流派评分数据，并根据流派评分数据得到目标音乐的流派类别。本申请能够提高音乐分类的准确性。音乐分类的准确性。音乐分类的准确性。


技术研发人员：张旭龙 王健宗 程宁 茹港徽
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.19
技术公布日：2023/8/6