宋 揚(yáng)，王海龍，柳 林，裴冬梅

（內(nèi)蒙古師范大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，內(nèi)蒙古 呼和浩特 010022）

隨著數(shù)字媒體的快速發(fā)展，數(shù)字音樂(lè)無(wú)處不在。音樂(lè)用戶的消費(fèi)習(xí)慣已逐漸從實(shí)體音樂(lè)轉(zhuǎn)向在線音樂(lè)平臺(tái)。根據(jù)全球唱片協(xié)會(huì)發(fā)布的報(bào)告，2020 年全球唱片市場(chǎng)同比增長(zhǎng)7.4%，音樂(lè)行業(yè)總收入為216 億美元，其中，流媒體收入增長(zhǎng)19.9%，達(dá)到134 億美元，占全球唱片收入的62.1%［1］。海量的音樂(lè)資源激發(fā)著音樂(lè)用戶產(chǎn)生各種復(fù)雜的音樂(lè)檢索需求，音樂(lè)流派分類在音樂(lè)信息檢索（music information retrieval，MIR）中占據(jù)主要地位，同時(shí)在音樂(lè)組織管理、檢索、音樂(lè)推薦中都具有重要的應(yīng)用，如何建立分類性能更好的音樂(lè)流派分類模型是MIR 領(lǐng)域亟待解決的關(guān)鍵問(wèn)題。

傳統(tǒng)的音樂(lè)流派分類方法的步驟大致可分為特征提取和機(jī)器學(xué)習(xí)兩個(gè)部分［2］。音樂(lè)流派分類的特征提取是從音樂(lè)信號(hào)中提取出能夠反映音樂(lè)流派信息的某種特征，機(jī)器學(xué)習(xí)能夠?qū)⑻崛〉哪撤N特征進(jìn)行學(xué)習(xí)，以此來(lái)對(duì)音樂(lè)流派進(jìn)行精確的分類［3-4］。但傳統(tǒng)的音樂(lè)流派分類方法提取出的特征往往缺乏通用性，同時(shí)，傳統(tǒng)的音樂(lè)流派分類方法對(duì)音樂(lè)相關(guān)知識(shí)的依賴度也較高。針對(duì)上述問(wèn)題，深度學(xué)習(xí)可以看作是提取器和分類器的結(jié)合，可以直接從音樂(lè)信號(hào)中提取出有效特征并進(jìn)行學(xué)習(xí)［5］。但目前基于深度學(xué)習(xí)的分類方法側(cè)重于全局特征的學(xué)習(xí)，而音樂(lè)流派是由多種高度多樣化中間特性組成，具有不一樣的抽象層次［6］。因此，現(xiàn)有的音樂(lè)流派分類方法仍存在一定的局限性，不能滿足音樂(lè)流派分類的要求［7］。綜上，在回顧國(guó)內(nèi)外音樂(lè)流派分類發(fā)展的基礎(chǔ)上，對(duì)當(dāng)前主流技術(shù)和前沿進(jìn)展進(jìn)行總結(jié)分析，指出未來(lái)研究趨勢(shì)，并對(duì)音樂(lè)流派分類存在的問(wèn)題及未來(lái)發(fā)展方向進(jìn)行了總結(jié)與展望。

1 音樂(lè)流派

1.1 基本概念

音樂(lè)流派（music genre）是由流行樂(lè)、古典樂(lè)、爵士樂(lè)等音樂(lè)作品的獨(dú)特節(jié)奏、音色、曲調(diào)、地域文化等元素形成的不同類別的音樂(lè)風(fēng)格，具體概念見表1。

表1 音樂(lè)流派說(shuō)明Tab.1 Music genre description

音樂(lè)流派作為音樂(lè)網(wǎng)站使用的分類檢索項(xiàng)之一，也是數(shù)字音樂(lè)數(shù)據(jù)庫(kù)管理和存儲(chǔ)的重要分類屬性，因此，音樂(lè)流派的自動(dòng)分類對(duì)音樂(lè)發(fā)展具有重要研究意義和應(yīng)用價(jià)值。音樂(lè)流派的分類作為MIR 領(lǐng)域的一個(gè)重要分支，其研究不斷深入，是多媒體應(yīng)用中不可或缺的一部分，主要包括檢索、欣賞、創(chuàng)作、教學(xué)和數(shù)字娛樂(lè)［8］。

1.2 音樂(lè)流派分類流程

音樂(lè)流派分類已成為近年的研究熱點(diǎn)，有效識(shí)別音樂(lè)流派不僅有助于音樂(lè)信息的檢索，同時(shí)也往往作為特定類型的音樂(lè)操作，如語(yǔ)音識(shí)別，音樂(lè)檢索等的預(yù)處理［3］。其本質(zhì)上屬于模式識(shí)別的范疇，一般包括兩個(gè)主要部分：特征提取和分類識(shí)別。

音樂(lè)流派分類主要流程如下：首先，對(duì)輸入的音樂(lè)信號(hào)進(jìn)行預(yù)處理；其次，提取音樂(lè)特征；再經(jīng)過(guò)有監(jiān)督或無(wú)監(jiān)督分類訓(xùn)練，得到分類器；最后，使用測(cè)試數(shù)據(jù)并驗(yàn)證分類結(jié)果。

（1）預(yù)處理。在音樂(lè)流派分類研究中，來(lái)自不同數(shù)據(jù)源的音樂(lè)文件可能具有不同的存儲(chǔ)格式和采樣頻率，且原始音樂(lè)信號(hào)中可能存在干擾噪聲等無(wú)用信息。因此，預(yù)處理是音樂(lè)流派分類研究的第一步和基本環(huán)節(jié)。主要包括統(tǒng)一信號(hào)格式、采樣量化、成幀、加窗、預(yù)加重等，為后續(xù)的特征提取步驟提供標(biāo)準(zhǔn)化、可靠的音樂(lè)樣本。

（2）特征提取。特征提取是整個(gè)分類過(guò)程的關(guān)鍵部分，因?yàn)樘卣鞯倪x擇和提取在很大程度上決定了分類效果，主要目的是找出更貼合音樂(lè)信號(hào)特征的關(guān)鍵特征參數(shù)。在音樂(lè)流派分類領(lǐng)域，常用的特征參數(shù)包括短時(shí)能量、過(guò)零率、短時(shí)譜、線性預(yù)測(cè)系數(shù)（LPC）和Mel 倒譜系數(shù)。

（3）訓(xùn)練分類器。訓(xùn)練分類器是決定分類最終性能的關(guān)鍵模塊。通過(guò)構(gòu)建訓(xùn)練樣本集對(duì)分類器進(jìn)行訓(xùn)練，找到合適的參數(shù)，最終得到訓(xùn)練好的分類器。

（4）分類結(jié)果測(cè)試。用于測(cè)試分類器的效果。待預(yù)測(cè)的新音樂(lè)樣本進(jìn)入分類器，利用訓(xùn)練好的分類器對(duì)待預(yù)測(cè)的樣本進(jìn)行分類和預(yù)測(cè)，判斷其是否屬于該類別，最后統(tǒng)計(jì)分類準(zhǔn)確率。

2 音樂(lè)流派分類方法

在音樂(lè)流派分類任務(wù)中，分類是否準(zhǔn)確的決定因素是提取特征的精準(zhǔn)度以及分類器建模的實(shí)用性。以往的分類方式是把提取和分類分為兩個(gè)部分。從原始音樂(lè)信號(hào)中手動(dòng)提取特征，然后選擇合理的分類器對(duì)提取的特征進(jìn)行分類建模。這種傳統(tǒng)方式雖然具有一定的實(shí)用性，也取得了一定成效，但在提取特征過(guò)程中效率低，操作較難，而且提取出的特征不具備普遍性。隨著深度學(xué)習(xí)的發(fā)展及應(yīng)用，越來(lái)越多的研究者將音樂(lè)流派分類和深度學(xué)習(xí)模型相結(jié)合，制作音樂(lè)聲譜圖進(jìn)行輸入。

2.1 傳統(tǒng)分類方法

傳統(tǒng)音樂(lè)流派分類方法從特征提取和分類兩部分來(lái)研究音樂(lè)流派分類內(nèi)容。提取出的特征能夠反映不同音樂(lè)類型，反之，分類效果也能夠體現(xiàn)特征選擇的準(zhǔn)確性。

2.1.1 特征提取 音樂(lè)本質(zhì)上是頻率、振幅、相位的振動(dòng)波在不同時(shí)間點(diǎn)上的組合，音樂(lè)特征可以從多種角度分類，有不同的描述方法［9］。特征提取的作用是將音樂(lè)中能夠表征音樂(lè)本身的特征提取出來(lái)構(gòu)成特征向量。如果從音樂(lè)理解的角度來(lái)劃分，音樂(lè)特征具有低級(jí)和中級(jí)之分；如果從變換域的層次來(lái)看，音樂(lè)特征可分為頻域、時(shí)域和倒譜域三種；按照音樂(lè)的幀長(zhǎng)來(lái)劃分可以分為長(zhǎng)時(shí)、短時(shí)特征。Weihs 等［10］認(rèn)為音樂(lè)有長(zhǎng)時(shí)、短時(shí)、語(yǔ)義和成分四種特征。Scaringella 等［11］將音樂(lè)特征分為音色、節(jié)奏和音調(diào)。Fu 等［12］將音樂(lè)特征分為聲學(xué)特征和感知特征兩種。音樂(lè)特征的提取是分類任務(wù)中必不可少的一步，特征的質(zhì)量是影響分類準(zhǔn)確率至關(guān)重要的因素，只有提取出能夠準(zhǔn)確表征音樂(lè)流派的音樂(lè)特征，才能提高分類的整體性能。

由于長(zhǎng)時(shí)特征的提取過(guò)程較為煩瑣，多個(gè)研究方法通過(guò)結(jié)合短時(shí)特征來(lái)得到長(zhǎng)時(shí)特征，本文著重介紹常見的短時(shí)特征，見表2。

表2 常見的短時(shí)特征Tab.2 Common short‐term characteristics

2.1.2 機(jī)器學(xué)習(xí)分類方法 在傳統(tǒng)的音樂(lè)流派分類任務(wù)中，特征提取結(jié)合有效的分類器可以很好提升分類效果，比較常見的傳統(tǒng)分類器有支持向量機(jī)（SVM）［13］、高斯混合模型（GMM）［14］和K 近鄰（KNN）［15］等。

國(guó)外音樂(lè)流派分類的研究起源于2002 年，Tzanetakis 等［14］將音樂(lè)流派分類視為一項(xiàng)模式識(shí)別任務(wù)，提出了一種基準(zhǔn)數(shù)據(jù)集GTZAN 共計(jì)1 000 首音樂(lè)，包含10 種音樂(lè)流派。分別提取了音色、節(jié)奏和音高三個(gè)特征輸入到GMM 和KNN 進(jìn)行分類，并對(duì)這些特征的性能進(jìn)行了比較研究，獲得了61% 的準(zhǔn)確率，成為最具開創(chuàng)性的工作之一。這些特征后來(lái)成為音樂(lè)流派分類研究的共同特征，實(shí)驗(yàn)結(jié)果被廣泛引用，許多類似的研究也將該實(shí)驗(yàn)結(jié)果作為參考對(duì)比。

2002 年以來(lái)，Laurier 等［16］選擇多種音頻特征作為特征集，采用SVM 進(jìn)行分類。Lee 等［17］以長(zhǎng)期調(diào)制譜分析和MFCC 特征為基礎(chǔ)，采用特征融合的方式來(lái)識(shí)別音樂(lè)流派的類型，可以觀察出音樂(lè)變化情況以及節(jié)奏信息，以確保形成的特征具有緊湊性和有效性。隨后，學(xué)者們又把目光放到了音樂(lè)信號(hào)頻譜特征時(shí)間演化的研究上，認(rèn)為捕捉頻譜特征的難度會(huì)比其他方法難度低。Lim 等［18］根據(jù)音色特征找到相應(yīng)的光譜時(shí)間特征，建立音樂(lè)流派分類模型，利用SVM 分類器進(jìn)行特征選擇進(jìn)而實(shí)現(xiàn)分類。Nanni 等［19］提取了節(jié)奏直方圖、頻譜描述符以及光譜圖，劃分成不同的子窗口，根據(jù)每一組特征進(jìn)行相應(yīng)的描述和訓(xùn)練，最后將融合后的音樂(lè)特征輸入到SVM 進(jìn)行分類，從而獲得分類結(jié)果。

國(guó)內(nèi)音樂(lè)流派分類的研究起步較晚。楊翠麗等［20］對(duì)多數(shù)投票機(jī)制進(jìn)行了優(yōu)化和完善，通過(guò)計(jì)算每一個(gè)片段的百分比，結(jié)合音樂(lè)的節(jié)奏特征來(lái)劃分整個(gè)音樂(lè)樣本。俞曉文等［21］從輸入特征出發(fā)，利用旋律特征找到音高和節(jié)奏，并將其作為輸入特征，使用前饋神經(jīng)網(wǎng)絡(luò)作為音樂(lè)特征的分類器，證明了這種提取音樂(lè)特征的方式具有良好的實(shí)用性。甄超等［22］基于聲學(xué)特征提出了特征交互正向特征選擇算法，在標(biāo)簽語(yǔ)料庫(kù)中通過(guò)文檔主題生成模型（LDA）來(lái)構(gòu)建新的分類模型，從而將這些標(biāo)簽按照不同的類別劃分，這種聲學(xué)特征與標(biāo)簽流派分類融合的方式，能夠有效提高分類的效果和精確度。李鏘等［23］在二維光譜中綜合運(yùn)用尺度不變特征變換（SIFT）和空間金字塔匹配（SPM），找到了相應(yīng)的特征向量，輸入到SVM 來(lái)達(dá)到分類效果，通過(guò)實(shí)驗(yàn)研究證明，采用聽覺(jué)頻譜的分類方式遠(yuǎn)優(yōu)于MFCC 特征。肖曉紅等［24］將音色特征、節(jié)奏特征通過(guò)bagging 訓(xùn)練兩組隱馬爾可夫模型進(jìn)行分類，達(dá)到了良好的效果，同時(shí)也證明了融合節(jié)奏特征可以有效提高分類準(zhǔn)確率。杜威等［25］利用層次分析法分析了音樂(lè)信號(hào)中的光譜特征。首先通過(guò)多個(gè)SVM 構(gòu)建相應(yīng)的分類樹，計(jì)算每一個(gè)葉節(jié)點(diǎn)的得分，并且將這一個(gè)分值看成是特征，結(jié)合KNN 算法來(lái)確保精確度。

以上音樂(lè)流派分類方法主要分為特征提取和構(gòu)建分類器兩部分。然而目前在特征提取、分類方面仍存在一些不足：在特征提取方面，特征提取方式有限，大多通過(guò)人為提取特征，且提取的特征可能只適用某一流派音樂(lè)，無(wú)法在其他流派中發(fā)揮同樣的效果；在分類方面，由于音樂(lè)流派分類中特征向量的維數(shù)往往是幾十維甚至幾百維，一個(gè)實(shí)用、有意義的音樂(lè)分類系統(tǒng)需要處理八個(gè)甚至十個(gè)以上的音樂(lè)流派類別。在實(shí)現(xiàn)的過(guò)程中，隨著分類需求以及分類數(shù)量的增加，計(jì)算復(fù)雜度也將逐漸增加，這為進(jìn)一步提高分類精度帶來(lái)了困難。

近幾年深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理領(lǐng)域取得良好成績(jī)，音樂(lè)流派分類的解決方案也逐漸將重心轉(zhuǎn)移到深度學(xué)習(xí)上，以卷積神經(jīng)網(wǎng)絡(luò)（CNN）為代表的深度學(xué)習(xí)方法，為解決音樂(lè)流派分類問(wèn)題帶來(lái)了新的思路和方向。

2.2 基于深度學(xué)習(xí)分類方法

20 世紀(jì)60 年代是深度學(xué)習(xí)的萌芽階段；21 世紀(jì)初期，Hinton［26］提出的深度置信網(wǎng)絡(luò)（DBN）推動(dòng)了深度學(xué)習(xí)的發(fā)展。隨著深度學(xué)習(xí)應(yīng)用領(lǐng)域的不斷開展，在音樂(lè)流派分類任務(wù)中也得到應(yīng)用［27-28］。在深度學(xué)習(xí)中，重要特征的獲取都是自發(fā)性的，可以很好地完成音樂(lè)流派分類任務(wù)。

在國(guó)外相關(guān)研究中，傳統(tǒng)的機(jī)器學(xué)習(xí)方法逐漸被深度學(xué)習(xí)所取代。如卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有很強(qiáng)的特征學(xué)習(xí)能力，已經(jīng)在大量分類任務(wù)中證明了它的有效性。Costa 等［29］將CNN 用于音樂(lè)流派分類任務(wù)，將結(jié)果與手動(dòng)特征、SVM 分類器做比較，在提取特征時(shí)結(jié)合了CNN 和手工提取兩種方式，從而提高音樂(lè)分類的準(zhǔn)確率。Li 等［30］將CNN 作為特征提取器，結(jié)合多數(shù)投票機(jī)制對(duì)提取的特征進(jìn)行選擇，在GTZAN 數(shù)據(jù)集上取得顯著成果［31］。Lee 等［32］提出了一種不同于典型幀級(jí)特征表示的CNN 結(jié)構(gòu)，通過(guò)降低音頻信號(hào)的頻率來(lái)提高訓(xùn)練的速度，從而縮短訓(xùn)練所需要的時(shí)間，應(yīng)用遷移學(xué)習(xí)的方式對(duì)模型進(jìn)行擴(kuò)展，樣本層CNN在每一層中學(xué)習(xí)的濾波器可視化，以識(shí)別分層學(xué)習(xí)特征。Song 等［33］在散射變換特征的基礎(chǔ)上，提出新的深度遞歸神經(jīng)網(wǎng)絡(luò)自動(dòng)標(biāo)注算法。散射特征使得帶有門循環(huán)單元（GRU）的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）能夠?qū)崿F(xiàn)變換譜的功能，而且這種變換的方式相對(duì)于MFCC 和Mel 譜圖來(lái)說(shuō)效率更高。

國(guó)內(nèi)相關(guān)研究中，何麗等［34］在音樂(lè)流派分類中使用了LSTM 網(wǎng)絡(luò)，利用GTZAN 數(shù)據(jù)集提取Mel 譜質(zhì)心、倒譜系數(shù)和譜對(duì)比度三個(gè)特征，并且通過(guò)LSTM 網(wǎng)絡(luò)來(lái)進(jìn)行特征訓(xùn)練。陸歡［35］采用倒譜系數(shù)提取音頻的MFCC 特征矩陣，以其特征值作為CNN 的輸入對(duì)音頻信號(hào)進(jìn)行訓(xùn)練，驗(yàn)證了CNN 分類的有效性。鄭旦［36］提出了基于深度置信網(wǎng)絡(luò)的多特征融合音樂(lè)分類算法，對(duì)音樂(lè)信號(hào)從多個(gè)角度進(jìn)行特征選取并融合，由融合得到的訓(xùn)練集在改進(jìn)的深度置信網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，通過(guò)調(diào)整RBM 中可見層與隱藏層單元之間的權(quán)值使得模型達(dá)到最優(yōu)性能。楊汶雯等［37］針對(duì)目前深度學(xué)習(xí)在音樂(lè)分類中準(zhǔn)確性較低的問(wèn)題，從音樂(lè)特征角度進(jìn)行改進(jìn)，根據(jù)聲學(xué)、信號(hào)學(xué)的基本理論，提出音樂(lè)特征指標(biāo)體系，基于自適應(yīng)粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法對(duì)音樂(lè)流派進(jìn)行分類。

由上可知，CNN 和RNN 廣泛應(yīng)用于音樂(lè)流派分類任務(wù)中。CNN 保證了一定程度的平移、縮放，可以有效地利用時(shí)間和頻率不變性，但未考慮全局結(jié)構(gòu)。而RNN 考慮全局結(jié)構(gòu)，在綜合局部特征方面更加靈活。因此，在序列數(shù)據(jù)中RNN 被廣泛用于建模時(shí)間依賴關(guān)系［38］。它們?cè)谟?xùn)練時(shí)間和參數(shù)數(shù)量方面均表現(xiàn)良好，然而順序計(jì)算的耗時(shí)性仍然是一個(gè)顯著的限制。針對(duì)RNN 中存在的問(wèn)題，LSTM 通過(guò)改變單元結(jié)構(gòu)和添加存儲(chǔ)單元來(lái)判斷是否有必要記住信息。與RNN 不同，LSTM 的每個(gè)存儲(chǔ)單元包括輸入門、遺忘門和輸出門，是網(wǎng)絡(luò)中信息傳輸?shù)慕涌?。因此，LSTM 比RNN 更適合處理具有相對(duì)較長(zhǎng)時(shí)間間隔的序列和預(yù)測(cè)任務(wù)中的關(guān)鍵延遲元素。

目前音樂(lè)流派分類結(jié)合了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩種方法。深度學(xué)習(xí)［39］采用監(jiān)督或半監(jiān)督的高效算法，有效地降低了傳統(tǒng)機(jī)器學(xué)習(xí)算法人工特征獲取的誤差，能夠提升音樂(lè)流派的分類準(zhǔn)確率。但深度學(xué)習(xí)的成本高且模型設(shè)計(jì)較為復(fù)雜，還需進(jìn)一步結(jié)合音樂(lè)信息加以改進(jìn)，從而提升分類的整體性能。不同類型分類方法對(duì)比見表3。

表3 不同類型分類方法對(duì)比Tab.3 Comparison of different types of classification methods

3 音樂(lè)流派數(shù)據(jù)集

音樂(lè)流派方面的公共數(shù)據(jù)集數(shù)量相對(duì)較少，本文總結(jié)了音樂(lè)流派分類領(lǐng)域部分常用的數(shù)據(jù)集，具體信息見表4。

表4 數(shù)據(jù)集相關(guān)信息Tab.4 Data set related information

（1）GTZAN 數(shù)據(jù)集由Tzanetakis 和Cook 收集［14］，涉及的流派類別共10 個(gè)（藍(lán)調(diào)、古典、鄉(xiāng)村、迪斯科、嘻哈、爵士、金屬、流行、雷鬼和搖滾）。每一個(gè)流派類別均從CD、收音機(jī)、MP3 壓縮音樂(lè)文件中收集1 000 段音樂(lè)摘錄，每100 段的音頻時(shí)長(zhǎng)大約30 秒，每一個(gè)項(xiàng)目的內(nèi)存有22.05 kHz，為16 位的單聲頻道。

（2）ISMIR2004［9］是一個(gè)音樂(lè)信息檢索競(jìng)賽的音樂(lè)流派分類數(shù)據(jù)集，數(shù)據(jù)集共有1 458 個(gè)樣本，分為6 種不同的流派：古典、電子、爵士樂(lè)、金屬/朋克、搖滾/流行和世界。1 458 首音樂(lè)作品平分為訓(xùn)練集和測(cè)試集。

（3）Extended Ballroom［40］數(shù)據(jù)集是 在Ballroom 數(shù)據(jù)集的基礎(chǔ)上發(fā)展而來(lái)，作為Ballroom 數(shù)據(jù)集的拓展集，Extended Ballroom 數(shù)據(jù)集共有4 180 個(gè)曲目，超出Ballroom 數(shù)據(jù)集五倍多。其中，樣本包括恰恰舞、狐步舞、牛仔舞、斗牛舞、快步舞、倫巴舞、薩爾薩舞、桑巴舞、慢華爾茲舞、探戈舞、維也納華爾茲舞、華爾茲舞和西海岸搖擺舞。

（4）Million Song 數(shù)據(jù)集（MSD）中的音樂(lè)信息來(lái)自世界各個(gè)音樂(lè)社區(qū)，可以從多個(gè)音樂(lè)平臺(tái)進(jìn)入，包含超過(guò)100 萬(wàn)首音樂(lè)。MSD 提供每首歌曲的元數(shù)據(jù)和預(yù)先計(jì)算的音樂(lè)特征。受到版權(quán)內(nèi)容的限制且音樂(lè)評(píng)價(jià)來(lái)源復(fù)雜，因此并沒(méi)有規(guī)范的音樂(lè)流派分類標(biāo)簽。

（5）MagnaTag ATune 數(shù)據(jù)集中歌曲的片段數(shù)據(jù)達(dá)2.5 萬(wàn)首，每一個(gè)片段的時(shí)長(zhǎng)大約都在29 秒左右。歌曲片段可分為電子，爵士樂(lè)，嘻哈，搖滾，布魯斯等共69 個(gè)流派類別。數(shù)據(jù)由在線游戲提供，每段剪輯由兩名玩家播放，只有兩人同時(shí)標(biāo)記一個(gè)音樂(lè)片段時(shí)，標(biāo)簽才會(huì)生效。

4 音樂(lè)流派分類性能評(píng)價(jià)

4.1 評(píng)價(jià)指標(biāo)

為有效判斷模型質(zhì)量，以往研究使用的評(píng)價(jià)標(biāo)準(zhǔn)為AUC［41］，表示預(yù)測(cè)的正例排在負(fù)例前面的概率。其具體解釋以FPR（假陽(yáng)率）為橫軸，以TPR（真陽(yáng)率）為縱軸，分類閾值在不斷調(diào)整過(guò)程中會(huì)形成一系列點(diǎn)對(duì)，并且將這些點(diǎn)對(duì)一一對(duì)應(yīng)到坐標(biāo)軸上，用直線將這些點(diǎn)連接起來(lái)，即形成ROC 曲線，曲線下的面積代表AUC 值。這一評(píng)價(jià)標(biāo)準(zhǔn)在二分類的領(lǐng)域中具有較好的應(yīng)用，因此可以將多分類轉(zhuǎn)化為二分類問(wèn)題，最后求得結(jié)果的平均值。如果將分類問(wèn)題都看成二分類問(wèn)題，樣本就只有兩種結(jié)果，一種是符合該類別，反之則不符合。該指標(biāo)也可用于二分類的評(píng)價(jià)任務(wù)。

一般評(píng)估指標(biāo)包括精確率、召回率等多個(gè)方面的內(nèi)容。為能夠?qū)@些指標(biāo)有一個(gè)更好的認(rèn)識(shí)，本文列出了多分類問(wèn)題的混淆矩陣，見表5。

表5 多分類問(wèn)題混淆矩陣Tab.5 Confusion matrix for multi‐class problems

使用表中的定義，單個(gè)類別的精確率（precision，P）定義為TP 與（TP+FP）的比值，表示在所有被預(yù)測(cè)為正樣本中，實(shí)際標(biāo)簽為正樣本的概率；真陽(yáng)率即召回率（recall，R）定義為TP 與（TP+FN）的比值，表示實(shí)際標(biāo)簽屬于該類別的樣本中正確預(yù)測(cè)的樣本的比例；假陽(yáng)率FPR定義為FP 與（FP+TN）的比值，表示實(shí)際標(biāo)簽不屬于該類別的樣本中，但是在分類模型中則被判斷為該類別的樣本比例。

4.2 結(jié)果分析

早期的音樂(lè)流派分類是基于傳統(tǒng)機(jī)器學(xué)習(xí)方法，通過(guò)特征提取輸入到分類模型中，分類效果并不理想。深度學(xué)習(xí)極大促進(jìn)了音樂(lè)流派分類的發(fā)展。音樂(lè)流派分類方法在GTZAN、ISMIR2004 和Extended Ballroom 數(shù)據(jù)集上的結(jié)果見表6。

表6 模型結(jié)果對(duì)比Tab.6 Comparison of model results

5 存在的問(wèn)題及展望

5.1 存在的問(wèn)題

音樂(lè)流派分類發(fā)展至今已取得一定的成果，眾多學(xué)者為音樂(lè)流派分類提供了新思路和方法，但仍有許多難題有待解決。

（1）目前的大多數(shù)公開數(shù)據(jù)集都是使用古典、搖滾、金屬等通用的流派對(duì)音樂(lè)進(jìn)行分類，但不同地區(qū)的文化和語(yǔ)言有所差異，通用音樂(lè)流派并不適用于民族音樂(lè)等特定領(lǐng)域的流派分類，因此建立適用于特定領(lǐng)域的數(shù)據(jù)集較為困難。

（2）在特征選擇階段，目前還不清楚哪些特征對(duì)音樂(lè)流派分類效果的影響最為顯著，無(wú)法直接找到與分類目標(biāo)有明顯關(guān)聯(lián)的深層音樂(lè)特征，且對(duì)于樣本數(shù)量較少的數(shù)據(jù)集，提取的特征數(shù)量有限，最終導(dǎo)致分類結(jié)果不理想。

（3）相比機(jī)器學(xué)習(xí)，深度學(xué)習(xí)對(duì)特征的學(xué)習(xí)更加深入，但其對(duì)數(shù)據(jù)的依賴性較強(qiáng)，在面對(duì)小規(guī)模樣本數(shù)據(jù)集時(shí)，無(wú)法達(dá)到理想的分類效果，給分類工作帶來(lái)一定局限性。隨著研究的深入，如何運(yùn)用深度學(xué)習(xí)方法更準(zhǔn)確地識(shí)別音樂(lè)流派是當(dāng)前工作的難點(diǎn)之一。

5.2 展望

針對(duì)現(xiàn)有研究的局限性，今后音樂(lè)流派分類可以從以下幾個(gè)方面進(jìn)行進(jìn)一步的研究：

（1）在音樂(lè)流派數(shù)據(jù)集的建立方面，可以將特定領(lǐng)域的音樂(lè)流派與通用流派相區(qū)分，通過(guò)構(gòu)建適用于特定領(lǐng)域的音樂(lè)流派數(shù)據(jù)集，進(jìn)而推動(dòng)音樂(lè)流派數(shù)據(jù)集的多元化建立。

（2）在音樂(lè)流派分類方面，可以通過(guò)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)、引入新的參數(shù)，從而對(duì)無(wú)標(biāo)注的音樂(lè)數(shù)據(jù)進(jìn)行更加精準(zhǔn)的分類。在此基礎(chǔ)上，將深度學(xué)習(xí)與其他方法相融合，有望進(jìn)一步提升分類效果。

（3）未來(lái)音樂(lè)流派分類可以靈活利用音樂(lè)歌詞、專輯封面等其他模態(tài)信息，為音樂(lè)流派分類帶來(lái)更為理想的效果。