文摘
在大数据时代,信息过载的问题越来越明显。钢琴音乐形象分析和推荐系统基于CNN分类器和用户偏好设计通过使用卷积神经网络(CNN),可以实现精确的钢琴音乐推荐用户在大数据环境中。基于CNN的钢琴音乐推荐系统主要由用户建模、音乐特征提取,推荐算法,等等。在推荐算法模块,音乐的潜在特性预测的回归模型,计算用户之间的匹配度和音乐根据用户偏好。然后,音乐,用户可能感兴趣的是生成和排序,以推荐新的钢琴音乐相关用户。图像分析模型包含四个“卷积+池”层。CNN分类准确性和梯度变化规律下RMSProp和亚当最优控制器进行了比较。图像分析结果表明,亚当最优控制器可以快速找到方向,和梯度大大减少。此外,推荐系统的准确性为55.84%。与传统的CNN算法相比,本文采用卷积神经网络(CNN)来分析和推荐钢琴音乐图像根据用户的偏好,从而实现更精确的钢琴音乐推荐用户在大数据环境中。 Therefore, the piano music recommendation system based on the CNN has strong feature learning ability and good prediction and recommendation ability.
1。介绍
音乐是一种受欢迎的娱乐媒体在数字时代。人类创造力的产物,音乐的形式表达思想和情感的声音,包括旋律、音调和节奏。有许多类型的音乐,如流行音乐,摇滚乐,爵士乐,蓝调、民谣。科技进步极大地丰富了音乐的流派和风格。人们创建和听音乐的类型也从地区和文化的不同而有差别。对音乐不同的人有不同的口味和喜好,甚至同一个人有不同的需求对音乐在不同的情绪状态(<一个href="#B1">1- - - - - -<一个href="#B3">3]。推荐系统可以被看作是一个信息过滤系统,它可以从大量的提取重要信息片段动态生成的信息根据用户偏好,利益,或观察到的行为来解决信息超载的问题(<一个href="#B4">4,<一个href="#B5">5]。目前,图像分析推荐系统具有更广泛的意义,描述任何输入个性化推荐系统。在当前大数据的时代,巨大的音乐数据带来了新挑战的有效应用推荐系统。因此,如何获得一个有效的推荐系统来检测个人的兴趣音乐并推荐符合他们的偏好是当前研究的热点问题。
音乐推荐系统的挑战是建立一个计划,经常能找到有吸引力的新音乐和理解用户的音乐喜好。一般来说,音乐形象分析和推荐系统可分为三个主要部分:用户,项目,和user-item匹配算法。首先,建立用户模型可以根据用户的年龄、性别、环境、生活方式、和兴趣来区分用户的音乐品味。其次,该项目由编辑元数据、文化的元数据,和声学的元数据可以用于各种推荐系统。最后,个性化的音乐是自动匹配算法(推荐的<一个href="#B6">6,<一个href="#B7">7]。匹配算法主要包括两种滤波方法,即协同过滤和基于内容的过滤。协同过滤方法的障碍是稀疏的评价矩阵,这通常是不确定的,因为大多数用户只能看到一小部分的音乐库。与深度学习技术的应用逐渐扩展到各个领域,深度学习越来越多的使用音乐推荐系统。深层神经网络主要用于提取音频信号或元数据的音乐在音乐推荐和学习音乐的音乐播放列表的顺序。作为一个有效的深度学习方法,卷积神经网络(CNN)取得了良好的应用效果图像识别和语音识别领域的<一个href="#B8">8,<一个href="#B9">9]。
在所有数字音乐类别,钢琴音乐是深受大多数听众和表演者。因此,本文研究了推荐的钢琴乐谱。首先,基于经典理论的推荐算法,图像分析提出了基于CNN的推荐算法。因此,图形表示方法和特征提取方法,频域特性和注意的特点提出了钢琴音乐,和钢琴音乐图像分析和推荐系统基于CNN分类是实现。CNN的分类器基于创新设计用户偏好特征的基础上,进一步通过注意频谱在不同条件下训练,具有重要意义,提高推荐系统的准确性。
本文分为五个部分。第一部分阐述了研究背景,钢琴音乐大多数听众和表演者在数字音乐的范畴。第二部分描述了钢琴乐谱的建议和相关算法的研究。第三部分介绍了钢琴音乐推荐系统基于CNN和阐述了个性化推荐系统在大数据和基于深度学习的推荐算法。它还研究钢琴音乐的谱表示和特征提取。第四部分阐述了研究成果,比较了钢琴音乐的分类结果,并分析了CNN钢琴音乐推荐算法。最后,总结了全文。
2。相关的工作
音乐可以缓解压力,不同的音乐有不同的对人的影响。Chang et al。<一个href="#B10">10使用了一种新的聚类算法<我>K——执行pregloss完成音乐作品探索音乐的自动分类。此外,该算法可以提供音乐推荐根据个人喜好通过基于协同过滤的个性化推荐方法。他们还指出,大多数现有的音乐推荐系统使用基于内容的推荐引擎,选择音乐只有根据用户的历史偏好或音乐内容,但忽视了用户的情感。Ayata et al。<一个href="#B11">11)提出了一个基于感性音乐推荐框架,从中学到了用户的情感信号通过可穿戴式生理传感器。Abdul et al。<一个href="#B12">12能够感知情感)构造了一个个性化的音乐推荐系统来提取用户数据和音乐之间的关系。此外,他们通过生理传感器集成用户的情绪,然后用这些生理数据以改进推荐引擎的性能。金等。<一个href="#B13">13)采用了一个集成的基于长期的动态分类方法调制光谱和序列分类基于短期光谱为节奏提高音乐分类的性能。他们利用tempo-oriented音乐分类方法,以反映用户偏好模型来获得更高的用户满意度。邹(<一个href="#B14">14)提出了一个增量斜率算法考虑信息资源的指数增长在大数据环境中,此前的优势适应瞬时变化的数据,大大提高了推荐系统的性能。
深度学习已经显示出它的优越性在计算机视觉、自然语言处理、语音识别等领域。在音乐领域的建议,最深刻的学习方法学习用户的时间偏好的用户的收听历史。温(<一个href="#B15">15]分析了多尺度特征提取的性能快速CNN的地区特性的算法基于深度学习和基于深度学习设计一个智能背景音乐系统和物联网。郑et al。<一个href="#B16">16)提出了一种深颞神经音乐推荐模型根据音乐特点和用户的时间偏好。他们音乐元数据编码成一个热向量投影到低维空间的使用深层神经网络获取音乐特性。Da 'u和萨利姆<一个href="#B17">17)认为,信息过载的问题严重影响了新媒体的推荐项目和利用CNN和递归神经网络(RNN)基于深度学习有效提高大数据分类。罗莎et al。<一个href="#B18">18)提出了一个基于知识的推荐系统通过结合双向短期记忆的CNN网络,提高用户满意度的推荐结果。Schedl [<一个href="#B19">19)表示,钢琴乐谱推荐系统不仅要考虑用户的普通音乐喜好,还需要考虑个人偏好和演奏技能提供个性化推荐。
总之,推荐系统已广泛应用于许多现实生活中的场景。尽管许多研究工作一直努力,个性化推荐系统的具体应用,仍存在一些未解决的问题,如数据稀疏和冷启动。因此,首先由一个隐藏的用户偏好模型语义模型矩阵。然后,钢琴音乐推荐算法基于CNN分类器。最后,用户喜好音乐的分类和预测是实现根据用户行为和音乐偏好之间的关系。
3所示。钢琴音乐推荐系统基于CNN
3.1。个性化推荐系统在大数据
人们逐渐进入大数据环境中信息过载的时代。相应地,推荐系统应运而生,帮助用户从大量的获取所需的信息有效地信息。推荐系统的主要任务是与用户联系信息。一方面,它可以帮助用户找到有价值的信息。另一方面,它显示的用户感兴趣的信息,从而达到信息消费者和生产者的双赢的局面。推荐系统基于大数据分析用户的历史记录来了解用户的偏好,从而积极推荐他们可能关心的信息,以满足用户的个性化需求。在一个典型的场景中,Hadoop分布式文件系统将大量的客户数据存储在多个数据节点和一个头结点,一般也称为节点或边缘节点。内部分析软件的内存将立即接管数据一旦数据被加载到内存的Hadoop集群。数据节点平行计算推荐模型然后返回最佳用户头部项目组合决策节点的边缘集群。
图<一个href="//www.newsama.com/journals/cin/2021/4953288/fig1/" target="_blank">1说明了推荐引擎的工作原理。用户偏好信息可以分为显式的用户反馈和隐式的用户反馈。显式的用户反馈是用户提供的反馈信息明确或外部网站,用户评分和评论等物品。隐式的用户反馈数据生成的用户在使用网站时,它含蓄地反映用户的首选项物品,比如信息浏览或购买记录。显式的用户反馈可以准确反映用户的真实偏好,但它需要额外劳动力。相反,隐式的用户行为提供了粗略的数据关于用户偏好通过一些分析和处理,而且可能有很多噪声分析的一些行为。然而,隐式的用户反馈也可以实现好的结果基于行为特征的正确选择的前提。
3.2。基于深度学习的推荐算法
传统的推荐系统主要包括以下三种方法:(1)基于协同过滤的推荐系统:协同过滤算法提供了相关建议根据项目之间的相似性用户或从相似性的角度测量,通常使用基于内存的方法和基于模型的方法。(2)基于内容的推荐系统:与协同过滤学习向量从整体的交互式数据用户和项目,基于内容的推荐方法学习的表示用户和项目内容的项目。它认为,用户可能感兴趣的物品像他们曾与之交互。(3)混合推荐系统:协同过滤方法是倾向于冷启动或稀疏数据的交互矩阵,而混合推荐系统可以使用基于内容的推荐系统中用户和项目的信息来解决这个问题。混合推荐系统可以获得更好的推荐性能通过集成内容的用户和项目的信息,也就是说,辅助用户信息和辅助项目信息,协同过滤框架(<一个href="#B20">20.- - - - - -<一个href="#B22">22]。
深度学习类似于神经网络模拟人脑感知外部刺激和学习从样本的基本特征。基于深度学习的推荐系统可以实现大数据相关的代表性用户和项目通过学习网络结构。此外,深度学习可以捕获数据通过自动功能之间的复杂关系学习,然后完成推荐结合传统的推荐方法改善冷启动在传统的推荐系统。通常,基于深度学习的推荐算法首先需要用户相关的数据作为输入,通过培训获得的隐式表示用户深度学习模型,然后生成一个有针对性的推荐列表根据这个隐式表示。图<一个href="//www.newsama.com/journals/cin/2021/4953288/fig2/" target="_blank">2是推荐系统的结构基于深度学习。
深层神经网络包含许多神经元和复杂的网络连接的方法,所以在计算网络有很强的优势性能,它可以自动提取高维的特征数据。没有提取数据样本特性,深入学习网络的隐层可以自动过滤数据和提取高维特性。
3.3。钢琴音乐的谱表示和特征提取
钢琴音乐的形式通常是存储在数字音频信息,来自音频的采样数据,也是最直观的信号。音频的数据大小取决于采样频率,采样频率和高表明优秀的音频保真度。信号的时域特征可以发现通过扩大数字音频信息。与音频的时域分析,频域分析可以更好地反映一些实质性的音频特征(<一个href="#B23">23,<一个href="#B24">24]。作为一个经典频域分析的基本算法,使用正弦和余弦函数的傅里叶变换以适应时域信号,利用特征信息由每个正弦和余弦函数来表示的频域特性。快速傅里叶变换是一种改进的算法,可以大大缩短计算时间,同时保持了频域的准确性。首先,连续时间信号传播的理想低通滤波器过滤高频分量高于采样频率的一半,以防止发生在抽样的频谱混叠。然后,信号采样得到的离散时间信号。
基音和泛音钢琴音乐信号的主要元素。因为基本决定了音调,钢琴音符识别的关键是检测基音周期的。基音检测基于短时自相关函数可以表示为如下方程:<年代pan class="equation_break" id="EEq1">
方程(<一个href="#EEq2">2)三级中心削波前计算自相关函数:<年代pan class="equation_break" id="EEq2">
在哪里<我>Cl代表了阈值水平<我>z我(<我>x)表示<我>我th帧信号窗口和框架后的时间序列<年代vg height="11.5564pt" id="M3" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 22.8697 11.5564" width="22.8697pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
一般来说,位置对应于第一个最大的自相关函数是周期的基本基调。音高频率采样频率比基音周期,与笔记有相等的关系。峰值比率估计通过数据帧的翻译选择正确的峰值点。数据帧的翻译是通过添加选择信号的时间间隔上下界,到64年,翻译后和信号间隔可以写成以下方程:<年代pan class="equation_break" id="EEq3">
图<一个href="//www.newsama.com/journals/cin/2021/4953288/fig3/" target="_blank">3显示波形的振幅比较框架的D5笔记之前和之后的翻译。峰值的变化从1.65之前翻译翻译后,至1.35。让<我>k代表峰值比率阈值的恒定,数一数<我>n1高峰值大于<我>k和数量<我>n2高峰值小于<我>k经过8倍的数据帧的翻译。如果<我>n1<<我>n2,第一个峰值点是作为基音的周期。否则,设置最大峰值点的基本基调。
根据音乐的基本理论,注意之间的关系<我>我和标准频率<我>F(<我>我)可以表示为如下方程:<年代pan class="equation_break" id="EEq4">
在方程(<一个href="#EEq4">4),<我>n意味着之间的半音来注意<我>我和注意<我>一个1,<年代pan class="inline_break"> 介绍了国际球场。
方程(<一个href="#EEq5">5)表示基音的周期之间的关系<我>T(<我>我)和基频<我>F′(<我>我):<年代pan class="equation_break" id="EEq5">
在方程(<一个href="#EEq5">5),<我>f年代表示采样频率。
分偏差<我>O(<我>我)可以表现为方程(<一个href="#EEq6">6),<年代pan class="inline_break"> 。
让<年代pan class="inline_break"> ,当<年代pan class="inline_break"> ,请注意<我>我正确地识别。
3.4。钢琴音乐分类和推荐系统基于CNN
深度学习的代表算法,卷积神经网络具有学习的能力表示;也就是说,它可以从输入信息中提取高阶特性。具体来说,卷积层和汇聚层的卷积神经网络可以对输入特征的平移不变性;也就是说,他们可以识别相似的特征在太空中位于不同的位置。平移不变特征的提取能力的原因之一是卷积神经网络在计算机视觉中的应用问题。CNN安排按照图像矩阵,只与一些神经元显著减少重量参数避免超大等传统神经网络参数的缺陷和有限的深度开发的网络。CNN构造一个多层神经网络通过模仿生物的视觉和感知机制。一个典型的美国有线电视新闻网由三部分组成将输入转化为输出,包括卷积层、汇聚层,和完全连接层(<一个href="#B25">25- - - - - -<一个href="#B27">27]。这些层堆积形成一个CNN的架构,如图<一个href="//www.newsama.com/journals/cin/2021/4953288/fig4/" target="_blank">4。每一层由多个二维飞机,每个二维平面包含几个独立的神经元。卷积层是CNN架构的核心部分,特点是学习能力强的特点。通常,第一个卷积层只能从原始数据中提取相对低级的特性,而更深层次的迭代卷积层可以提取更多复杂的特性基于底层特征(<一个href="#B28">28,<一个href="#B29">29日]。不同于完全连接网络,CNN可以共享参数相同的卷积之间的内核层,有效地减少了网络参数的数量和可以获得更丰富的结构特点。
拟议的CNN分类模型由TensorFlow框架下实现Windows 10, Python 4.0系统环境。钢琴音乐的音符谱作为输入图像训练CNN模型在不同条件下。钢琴音乐的过程基于CNN的推荐方法可以分为三个步骤。(1)随机独立的音乐文件到训练样本和测试样本,和段音频数据地图生成频谱特性。(2)压缩训练样本的光谱特性图,然后把它放到CNN模型训练来获取相应的权重。(3)测试样本进行分类并推荐使用训练有素的CNN模型。
纯钢琴表演上的音频文件<一个href="https://www.hqgq.com" target="_blank">https://www.hqgq.comCNN的训练样本选择模型,根据标准分类的古典音乐,爵士,蓝调,在每个类别和流行,100文件。频率的音频压缩到128赫兹,和频率数据映射到50像素每秒。四类音频数据的分割,最后获得约6000图像样本。四个音乐流派的分类特征如下:古典具有明显的振幅衰减的现象,这是部分的高频,强劲的节奏,和相对响亮的。爵士乐最明显的振幅变化和叠加效应,快速的节奏。蓝调的振幅衰减不明显,和整体工作是相对顺利。流行的衰减分布是均匀的,频率一般较低,表明流行的节奏是强大的。
基于LeNet-5训练模型,包括四个“卷积+池”层和1024完全连接神经元。偏见被初始化为0,和学习速率是0.001。图像分类在将softmax层经过两个2×2的卷积核,四个“卷积+池”层,和一个完全连接隐藏层。修正线性单元(ReLU)是一个非常有效的激活函数,它可以表示为<年代pan class="equation_break" id="EEq7">
ReLU集一些神经元的输出0,改善网络的稀疏,减少参数之间的相互依赖。
当CNN模型是由随机梯度下降迭代训练方法,它可以提取一批样品更新参数。损失函数对应于每个样品的粒度。显示了迭代过程<年代pan class="equation_break" id="EEq8">
物流功能只能应用于二元分类问题,但是它的多项式回归可以应用于多类分类问题。我们将softmax函数<我>σ(<我>z),输入<我>z是一个向量的维度<我>C;将softmax函数的输出也是一个向量<我>y的维度<我>C(0或1)。<年代pan class="equation_break" id="EEq9">
Softmax CNN是输出层模型,和<我>C神经元的功能<我>C分类。因为每个分类的总概率是1,每个类别分类,将softmax函数是互斥的。
用户的偏好可以结合钢琴音乐和用户之间的关系和基于钢琴音乐和分类特征之间的关系。在1000年的钢琴音乐音频文件,从每个用户100人,1000年分类功能可以通过训练得到的分类和预测。基于隐马尔科夫的分类模型用于计算用户的音乐列表,使预测结果更接近用户的行为习惯。
钢琴音乐推荐系统基于CNN主要包括用户建模、音乐特征提取和推荐算法。首先,音乐的历史行为数据收集系统中用户构建用户偏好特征模型。接下来,音频内容预处理,并提取的光谱特征,不断培养CNN模型得到回归模型预测的潜在特点的音乐。在最后的推荐算法模块,回归模型用于预测潜在的音乐特点,以及用户之间的匹配度计算和音乐根据用户偏好。模型生成钢琴用户可能感兴趣,成绩排序,最后建议新的钢琴音乐相关的用户。
4所示。结果与讨论
4.1。钢琴音乐的分类结果的比较
光谱特征地图选择训练样本和测试样本来验证CNN模型在不同条件下的训练效果和计算分类结果。由于神经网络训练的随机性强,在每个分类结果会有偏差。首先,进行三个重复实验在相同的学习速率,激活函数,神经网络的最优控制器,结果如图所示<一个href="//www.newsama.com/journals/cin/2021/4953288/fig5/" target="_blank">5。统计结果表明,有一些差异在每个实验的准确性和梯度的变化,但总体趋势是大致相同的。区别不同的实验的最终分类精度小于0.05。
(一)
(b)
接下来,CNN模型的分类精度和梯度变化节奏比较下两个最优控制器RMSProp和亚当。根据实验结果图<一个href="//www.newsama.com/journals/cin/2021/4953288/fig6/" target="_blank">6亚当最优控制器具有更好的梯度下降法比RMSProp能力和递减率。此外,结合梯度变化的趋势,经过约50倍的训练由巨大的波动,亚当最优控制器可以快速找到方向,大大降低和梯度,然后很快就保持稳定。
(一)
(b)
学习速率为0.001时,CNN模型训练通过使用光谱和注意光谱样本条件下的梯度下降方法基于两个最优控制器。测试结果如图<一个href="//www.newsama.com/journals/cin/2021/4953288/fig7/" target="_blank">7证明,在相同的条件下,使用注意谱的培训结果作为训练样本明显优于使用频谱作为训练样本。根据RMSProp和亚当最优控制器,分类精度提高2.0%和1.25%,分别。因此,注意特性可以提高分类效果的CNN模型频谱在某种程度上。
4.2。CNN的分析钢琴音乐推荐算法
根据推荐算法的实验结果综合评价基于用户特征,计算用户的平均偏好特征,每个用户的偏好列表是隐马尔可夫模型生成的参考样品。图<一个href="//www.newsama.com/journals/cin/2021/4953288/fig8/" target="_blank">8基于用户特征评价,说明了推荐结果证明single-classified用户的推荐精度高于multiclassified用户平均偏好特性。主要原因是有一个小cross-genre钢琴音乐,导致小概率随机采集。中使用的分类特性CNN模型只包含音乐频谱特性,可以结合音乐的文本特征,如标题和描述,形成更准确的音乐特征。
5。结论
在大数据时代,网络信息的爆炸式增长显著增加的复杂性和可变性的数据内容。原始信息检索方法无法满足用户的新需求,由于严重的信息过载。推荐系统是一种有效的信息过滤工具被广泛使用,因为增长的互联网接入、个性化的趋势,计算机用户的习惯的改变。深度学习引入到推荐系统可以提高推荐质量。
CNN模型可以从音频提取潜在因素,文本和图像数据来提高用户的兴趣推荐当潜在因素无法从用户获取反馈。钢琴音乐推荐系统在此基础上,构建了基于CNN澄清后的谱表示和特征提取方法的钢琴音乐。钢琴音乐推荐系统需要贴上标签样本数据集来促进学习的早期阶段模型。换句话说,需要输入一批标签推荐学习和数据计算,CNN模型可以准确地推荐钢琴音乐。结合音乐分类和用户偏好特征,音乐推荐方法提出了基于用户特征的综合评价。此外,纯钢琴表演音频<一个href="https://www.hqgq.com" target="_blank">https://www.hqgq.com被选中作为训练样本测试CNN推荐系统的性能。注意范围的培训结果作为训练样本明显优于频谱作为训练样本。根据RMSProp和亚当最优控制器,分类精度提高2.0%和1.25%,分别。此外,推荐方法的准确率达到55.84%,这比类似的国际方法。与传统CNN算法相比,本文采用卷积神经网络(CNN)设计一个钢琴音乐形象分析和推荐系统基于CNN分类器和用户偏好,可以实现精确的钢琴音乐推荐用户在大数据环境中,具有较高的推荐精度。音乐推荐系统的模块和过程基于CNN大致完成,但系统未能完全结合音乐的用户兴趣的强度。分享的用户记录,和支持是值得考虑建立一个更精确的音乐偏好模型。
数据可用性
使用的数据来支持本研究的发现可以要求作者。
的利益冲突
作者宣称没有利益冲突。