[发明专利]一种基于DCNN联合特征表示的音乐推荐方法

说明书

本发明涉及一种基于DCNN联合特征表示的音乐推荐方法，其发明内容主要包括音乐预处理和增强、音乐特征的提取和推荐方法的建模，首先将Log梅尔谱图输入到第一通道的DCNN进行训练，即得基于Log梅尔谱图的DCNN模型，同时将MFCC等特征输入到CNN中训练，即得基于MFCC的CNN模型，然后将第一通道和第二通道的结果进行组合拼接，输入到全连接层和softmax层，进行音乐特征向量的进一步降维，由于采用了不同模态的数据，训练的结果更加准确，更具有扩展性，最后计算用户偏好并对其推荐音乐。

技术领域

本发明属于个性化音乐推荐领域，涵盖了音频处理、图像处理、推荐系统以及深度学习等领域知识和相关技术，是一种基于DCNN联合特征表示的音乐推荐方法。

背景技术

21世纪是信息科技飞速发展的时代，伴随着科技的飞速猛进和互联网的欣欣向荣，人类已然进入信息化和大数据时代。当前，以互联网为主体的数字音乐逐渐地走入人们的视线和每日生活，在互联网高效、快速的传播方式下，在线数字音乐的需求与供应不断增大。与此同时也带来了诸多问题，例如信息过载、信息不对称等问题。为了克服这些问题，个性化音乐推荐系统就此诞生。

现有的音乐推荐系统大多数采用的是比较传统的推荐方法，例如基于领域推荐、基于标签推荐和基于知识领域推荐以及混合推荐等，虽然在一定程度上解决了上述问题，以及人们越来越个性化音乐的追求，但在推荐效果上却不太理想，例如推荐的音乐大多相似，不具备多样性，推荐的结果可解释性较差，无法让用户信服或满意，以及推荐需要用户具备很高的领域知识，没能从音乐本体考虑，关注较多的用户行为数据，忽略了音乐的音频携带大量的有效信息，从而导致音乐推荐无法适应当前人们对音乐的个性化追求。

为了能够缓解或解决上述音乐推荐系统存在的问题和难点，以及给用户提供一个更加智能化、个性化的音乐推荐系统，来满足当下人们对音乐的需求。随着深度学习在多数领域大放异彩，且取得了骄人的成绩，因此本发明在传统推荐算法的基础上结合卷积神经网络等诸多人工智能技术，进一步探索一个新颖的个性化音乐推荐，即提出了一种基于DCNN联合特征表示的音乐推荐方法。

发明内容

本发明的目的：为了解决现有音乐推荐技术的缺点，进一步提高音乐推荐的准确率和多样性，本发明提出了一种基于DCNN联合特征表示的音乐推荐方法，该方法利用不同形式的数据进行多角度挖掘分析，能够为用户提供符合个人偏好的音乐推荐。

为了实现符合要求的个性化音乐推荐，本发明提出的基于DCNN联合特征表示的音乐推荐方法，主要包括以下步骤：

S1、对原始音乐数据集进行格式转换，统一为MP3格式，并对其进行标识。

S2、音乐音频的增强：对音频的增强主要包括降噪(ANC)、回声消除(AEC)和调整采样率等，这一步是数据增强的重要一步，直接影响接下来音频谱图能否包含准确且有效的潜在特征。

S3、音频的声谱图

S3.1、首先将步骤1、2得到的音频进行预加重(Pre-Emphasis，PE)，使得音频喜好保持频谱平稳，增强高频段，即H(Z)＝1-μZ^-1，其中，μ∈[0.9,1.0)；

S3.2、在步骤3.1基础上进行分帧加窗，利用汉宁窗来减少频谱泄漏，以及消除吉布斯效应，窗函数为N代表窗口长度；

S3.3、紧接上一步，通过快速傅里叶变换(Fast Fourier Transform，FFT)，再将每帧的频谱图顺时针翻转90度，再按顺序堆叠起来就得到声谱图，实际上这就是短时傅里叶变换(Short-Time Fourier Transform，STFT)，即w(t)代表窗函数，S(ω,τ)代表STFT，每一列代表不同位置的加窗信号；