用数据挖掘来支持音乐创作.pptx

用数据挖掘来支持音乐创作;音频数据挖掘原理 音频挖掘分析;为什么一定要音频挖掘 一年里红起来的歌曲也就那么几首，流行铃声/音乐的风尚总在变化，想要在高度商品化的流行音乐市场里赚到钱，依赖音乐人个人的天分已经很难，如果能借助QQ音乐、百度音乐这类拥有大量用户试听及其他行为数据的平台，分析出当下的流行元素，就可以创作出一些适合传播的铃声/音乐。;用户行为及评分 类型很多，学术上通常称为显式表达和隐式表达。 包括用户打分、顶踩、播放、完全播放、跳过、收藏、评论、分享、加入某个列表、删除等等。这是用户对音乐的正向或者负向反馈，通常的做法是将这些行为按不同权重映射到-1到1区间里做运算。;音乐自身的属性 类型可能更加复杂，要从声音的物理属性和音乐本身的文化属性来说明。 物理属性：音色、音调、节奏等，就是听起来是个什么样子。普通用户大概没法理解什么叫做音乐调式调性，但是能区分嘈杂还是安静、激昂还是舒缓，略有音乐知识的用户还能分清乐器、曲风，甚至说得出编曲的特点，任何一个可以被区分出来的属性都有可能是用户喜欢的原因。 文化属性：这可能要从音乐所表达的情感来说，歌曲的歌词是很明确的情感表达，用户的评论是很明确的情感表达，与音乐经常一起出现的文字也是情感表达的参考，那些没有歌词的经典名作，已经有过无数人做出分析，是很好的样本。另外，情感的表现方式也是要考虑的，比如愤怒是一种需要宣泄的情感，所以表达愤怒的音乐通常激昂喧闹，但慷慨激昂的音乐不一定只是愤怒，这就是为什么摇滚乐一直被误解为是一种很吵的音乐，其实它只是情感表达直接而已。;音乐与用户的结合 上面两点是将音乐与用户独立来看的，还有些数据是两者关联产生的。比如音乐经常被使用的场景，音乐经常被播放的时间和地域地点。准备好了这些数据原料，有过机器学习经验的人大概会想，将这些数据作为训练集，加上播放次数作为参考，就能预测出哪些音乐可能受到欢迎，确实是这样，但是还不至于能用来指导音乐创作，有经验的乐评人的意见可能更加准确且成本更低。音乐是一种有效期适中的信息类型，相比电影或名著而言，它失效得快，但不至于像新闻和微博一样快，所以音乐的流行程度决定于自身特征，又容易受到社会风潮的影响。因此数据要支持音乐创作，首先要预测社会风潮（也就是社会中充斥的某种情感），确定这种风潮下会流行的音乐特点，然后才是“组装”一些合适的音乐（只是提高了流行的可能性），通过渠道（大平台会自己签艺人和歌曲吗？）去推广。;音频挖掘原理;音频文件的频谱图;音频挖掘分析;FFT是一种数据处理技巧，它可以把time domain上的数据，例如一个音频，拆成一堆基准频率，然后投射到frequency domain上。 为了理解FFT,我们可以先生成三个音频文件;jazz数据经过FFT变形是这样的;音乐数据训练样本的获得和使用快速傅里叶变换（FFT）预处理的方法见之前在这里已经介绍过。我们现在的任务是 1. 把训练集扩大到每类100个首歌而不是之前的10首歌，类别仍然是六类：jazz,classical,country, pop, rock, metal。 2. 同时使用logistic回归和KNN作为分类器。 3. 引入一些评价的标准来比较Logistic和KNN在测试集上的表现;计算得到，logistci分类器的平均准确率是41%，KNN分类器的平均正确率是60%。还是KNN表现比较好 但??，之前的这种cross-validation只能用于测量分类器的整体表现，无法具体分析分类器在某一个具体类别上的表现，不利于我们诊断bad case和提高feature engieering的水平，为了解决这个问题，我们引入confusion matrix来诊断分类器的问题;图中对角线代表正确诊断的比例。对角线方格的颜色越深，其他位置方格的颜色越浅，分类器效果越好。可以看出，logistic在pop和rock两类上的表现明显比起KNN分类器明显较弱。这意味着如果我们要继续使用logitic，应该在这两类音乐的feature提取上再下更多功夫;结束