摘要
符号旋律相似性是从不同角度测量两首歌曲之间的相似性.基于数据驱动的符号相似性度量学习通过成熟的向量检索方法能够快速的判别特征之间相似度,然而符号相似性可解释性比较差,无法满足大部分应用场景对结果的可解释性的要求.因此,文章对当前基于数据驱动的旋律相似判断模型进行优化,首先,设计细粒度的旋律属性相似度判别方法,模型对旋律的子属性进行相似度判别.其次,使用深度典型相关分析(D-CCA)算法将旋律属性特征融合为全局旋律特征.最后,模型训练时使用联合损失函数对融合算法、旋律的属性特征以及旋律融合后的全局特征同时优化.这样既保留了深度学习的灵活、高效的优点的同时也增加了相似度判别结果的可解释性.细粒度的分析是描述具体音乐属性相似,从而也提高了全局旋律特征相似度判别效果.
基金项目
多模态认知计算安徽省重点实验室(安徽大学)开放基金(MM202005)
巢湖学院2020年度校级科学研究项目(XLY-202206)
巢湖学院2020年度校级科学研究项目(XLX-202208)
安徽省高校自然科学研究重点项目(KJ2019A0682)
安徽省高校优秀青年人才支持计划重点项目(gxyqZD2021130)
维普
万方数据