音樂相似性研究及其在檢索系統(tǒng)中的應用.pdf

1、大數(shù)據(jù)時代背景下，越來越多的音樂著作在互聯(lián)網(wǎng)上呈現(xiàn)出來。然而海量音樂反而使得用戶更難找到喜歡的作品，也使冷門的音樂愈發(fā)無人問津。因此，需要最大程度地挖掘音樂間的關聯(lián)，將與用戶喜好音樂相似的歌曲反饋給用戶。研究音樂相似性及相似音樂檢索等問題具有重要的現(xiàn)實意義。
　　本文圍繞音樂相似性測度和音樂相似性檢索兩個方面展開研究，并根據(jù)用戶對音樂相似性檢索的需求，設計了一套相似音樂檢索系統(tǒng)，實現(xiàn)了對相似音樂的快速檢索。具體的工作和創(chuàng)新如下：<

2、br>　　1．音樂相似性測度的研究
　　研究了經(jīng)典音樂相似性測度-G1算法，在其基礎上分別從音頻特征提取和近鄰度計算兩個角度對該算法進行了改進。1）針對G1算法音頻特征提取單一，對音樂屬性刻畫不全面的缺點，提出了一種線性結合的多層特征（Multi-Level，ML）的特征提取方法，從物理、感知、語義三個層面刻畫音樂的聲學特性。2）針對G1算法近鄰計算時存在的樞紐度（Hubs）問題，在現(xiàn)有技術基礎上提出全局尺度變換（Global S

3、caling，GS）算法，依照最近鄰類對穩(wěn)定原則對近鄰度矩陣做伸縮處理，緩解了 Hubs問題的同時提高了近鄰計算的準確率。結合前人研究與以上改進，提出了ML-GS音樂相似性測度。
　　2．音樂相似性檢索的研究
　　1）研究了音樂相似性檢索的代表性算法-G1-FR，圍繞關鍵技術：空間投影和索引結構構建兩項技術展開研究并分別予以改進。1）針對近鄰度計算的度量性對空間投影質量以及對相似性檢索的影響，使用度量的RJSD替代 K-L散

4、度計算高斯特征間的距離，顯著提高近鄰計算的召回率。2）針對 FR索引結構索引效率低的缺點，結合E2LSH技術提出了適用于非矢量特征的索引構建方法-基于快速投影的局部敏感哈希（FMLSH），提高了索引結構在檢索場景下的性能。
　　2）結合ML-GS音樂相似性測度和FMLSH索引結構，提出了ML-GS-FMLSH音樂相似性檢索算法。該算法能夠在幾乎不降低檢索精度的前提下將音樂相似性的計算復雜度降低至與數(shù)據(jù)庫容量無關?；谠撍惴ㄔO計并實