周涛

摘  要：随着互联网技术的高速发展，人们与数字音乐的关系更加紧密，人们会依据自己的偏好以及场所选择音乐，因此如何有效管理数量庞大的音乐并对其分门别类显得尤为重要。为提高音乐分类的准确率，本文从音频中提取特征向量，运用遗传算法优化支持向量机实现音乐流派分类;从歌词中提取特征关键词，采用LASSO降维实现文本情感分类，最终构建双模态音乐分类模型。结果表明，该分类方法准确率为73.1%，可靠性与稳定性良好，有效地避免了传统方法产生局部最优的问题。

关键词：音乐分类  支持向量机  遗传算法  LASSO  双模态融合

中图分类号：TP391.41 文献标识码：A 文章编号：1674-098X（2021）07（a）-0075-04

Bimodal Music Classification and Evaluation Based on Support Vector Machine and LASSO

ZHOU Tao

（Nanjing University of Information Science and Technology， Nanjing， Jiangsu Province， 210044  China）

Abstract： With the rapid development of Internet technology， people have a closer relationship with digital music. People will choose music according to their preferences and places. Therefore， how to effectively manage a large number of music and its classification is particularly important. In order to improve the accuracy of music classification， this paper extracts feature vector from audio， uses genetic algorithm to optimize support vector machine to achieve music faction classification; ex-tracts feature keywords from lyrics， uses lasso dimension reduction to achieve text sentiment classification， and finally constructs a dual-mode music classification model. The results show that the accuracy rate of the classification method is 73.1%， the reliability and stability are good， and the problem of local optimum is avoided effectively.

Key Words： Music classification; Support vector machine; Genetic algorithm; Lasso; Bimodal fusion

隨着互联网技术的高速发展，数字音乐不断衍生，人们与数字音乐的关系愈发紧密。音乐蕴藏着丰富的真情实感，人们会依据自己的偏好和场合来选择音乐，因此如何有效管理数量繁多的音乐，并对其进行分门别类，从而为用户推荐相应偏好类型音乐显得尤为重要。

为建立分类性能较好的音乐分类模型，首先对目前音乐分类模型进行调研，经过文献查阅及调查可以发现当下最优音乐分类模型是基于神经网络[1]的音乐分类模型，并且大多数音乐分类模型是从音频或歌词单模态实现音乐分类。但其存在局部最优等无法避免的问题，因此本文建立基于遗传算法优化支持向量机和LASSO的双模态音乐分类模型，以提高音乐分类的准确率和全面性。

1  构建双模态音乐分类模型