1.一种基于DCNN联合特征表示的音乐推荐方法,其特征在于,包括:音乐预处理和增强:用于处理原始音乐数据,以及增强音乐音频用来进行特征的提取;
音乐特征建模模块:在音乐音频预处理即增强完成后,进行音乐的特征提取,分为谱图特征以及MFCC等特征,用于对DCNN模型进行训练的初始样本;
推荐方法模块:所述的音乐推荐建模模块和推荐方法模块是双向连接,进行两端训练,然后将训练得到的低维特征向量进行组合拼接,再进行下一步工作并推荐音乐。
2.如权利要求1所述的一种基于DCNN联合特征表示的音乐推荐方法,其特征在于,包括:
S1、音乐格式转换:将原始音乐数据进行格式转换,统一格式为MP3,并对每首音乐进行“类别‑ID”的形式进行标识;
S2、音乐音频的增强:由于原始音乐数据可能会存在噪声或音质受损等情况,因此需要对其进行增强,降噪主要利用滤波器,在降噪过程中,尽可能不损伤原始的音乐音频信号,回声消除利用NLMS算法实现,音频的采样率调整利用SoX处理;
S3、声谱图和音频谱图:主要包括音频进行FFT生成声谱图、Log梅尔谱图等。音乐音频信号经过预加重、分帧加窗和FFT获得音频声谱图,在输入到梅尔滤波器组中,进一步得到梅尔谱图,最后进行对数运算得到Log梅尔谱图,用于第一通道的模型输入;
S4、音频特征的提取,使用librosa库进行音乐片段的MFCC等特征的提取,保存为文件,作为第二通道的输入数据。
3.如权利要求2所述的一种基于DCNN联合特征表示的音乐推荐方法,其特征在于:在S3中,采用1024的窗口大小,相邻窗距为512,窗函数使用α=0.46的汉宁窗,梅尔滤波器数量为128,以及以10为底的对数运算。
4.如权利要求2所述的一种基于DCNN联合特征表示的音乐推荐方法,其特征在于,上述是S1、S2、S3中,使用Log梅尔谱图作为第一通道的DCNN网络模型的输入,经过多轮训练,不断减小音乐特征真值与预测值之间的交叉熵误差,直至达到最佳的训练目的,最终得到回归预测模型,即是基于Log梅尔谱图的DCNN模型。
5.如权利要求4所述的一种基于DCNN联合特征表示的音乐推荐方法,其特征在于:第一通道的DCNN加入了批量归一化层,同时采用ReLu激活函数和Adam优化方法,由4个卷积层和
4个池化层交替出现,以及1个全连接组成的。
6.如权利要求2所述的一种基于DCNN联合特征表示的音乐推荐方法,其特征在于,上述S4中,将其得到的音乐元数据进行特征统计处理,使其适合网络的输入要求,训练并调整其权重参数,最终得到MFCC‑CNN模型。该模型采用简单的网络结构,即卷积层、池化层均为一维的两层的,且全连接层比基于Log梅尔谱图的DCNN多了一层。
7.如权利要求4和6所述的一种基于DCNN联合特征表示的音乐推荐方法,其特征在于:第一通道和第二通道的结果组合在一起,进入全连接层和softmax层,softmax公式如下:最后结合CB算法原理,实现满足用户偏好的音乐TopN推荐。