基于大數據下智能譜曲的算法研究

吳潔華　鄧盛益　邱金波　陳由振

摘要：隨著新數字音樂時代的來臨，音樂制作的方式伴隨著計算機的發展也進行了革新，計算機音樂制作系統置創作、制作、表演于一身，融作曲、指揮、演奏、錄音為一體，給音樂者在創作思維上帶來了新的方法。據調查，譜曲軟件大多存在功能單一、僅適應與大小調、速度選擇上相對死板、靈活度不高等問題，難以使創作做到智能化和個性化。為了解決上述問題，提出了一種大數據下智能譜曲軟件的算法研究[1]調度方案，重點介紹利用多算法組合優化實現譜曲功能，通過大數據檢索實現個性化音樂推薦系統。

關鍵詞：譜曲軟件;算法;大數據;

1.引言

伴隨著移動互聯網、智能終端等的發展，數據呈現爆炸式增長，數據密度空前提高，如何充分有效利用大數據技術，獲取其中蘊藏的巨大價值，已經成為大數據時代所面臨的主要任務。隨著人們對音樂元素質量需求的提高，更對音樂的可操作性、易應用性提出了要求。據此，我們通過大數據檢索+多算法組合優化實現譜曲功能和個性化音樂推薦功能，并且對系統中所有的音樂物理文件和用戶的行為記錄進行分析和挖掘，比如在用戶寫了一段譜子后，系統可以自動匹配相似旋律的歌曲，解決用戶譜曲問題。這樣寫出來的曲子不但可以自我欣賞，也可以根據大數據檢索來檢查與曲子音調相似的歌曲，可輔助使用者編出經典歌曲，同時也可以避免編出來的歌曲與已有歌曲相似的情況。

2.算法作曲概述

算法作曲[2]也稱自動作曲，是作曲思維和算法思維的有機結合，其目的是使人在利用計算機進行音樂創作時投入時間成本達到最小。隨著科學技術的發展，現在的音樂創作家將人工智能運用到計算機輔助算法作曲系統，亦可以模擬作曲家的創作思維。

音樂是由一系列的音符組成的，這些音符連續排列構成音符序列。我們選用適用于音符序列挖掘的ISM算法[3]。ISM算法，即“音程序列挖掘”，該算法針對一個音符序列，要求得到它的特征旋律（例如音樂片段的一個短的音程子序列成為特征旋律，必須滿足兩個基本條件：

（1）該音程子序列出現的頻率要盡可能高;

（2）該音程子序列的長度要盡可能長。

ISM算法的核心理念就是在一個給定的字符串中找出出現頻率最高的連續子字符串，并且該字符串盡可能的長一些。在論證了ISM算法所要挖掘的特征旋律須符合的兩個基本條件后，將用自然語言、流程圖及偽代碼三種描述相結合的方式對ISM算法的設計思路進行詳細闡述。

3.基于大數據的個性化音樂推薦

圖1xxxxx

當前主流的推薦算法分為基于內容的推薦和基于協同過濾的推薦以及混合推薦算法這三大類，國內外的大多數音樂網站或音樂電臺通常都會采用這三種技術。基于內容的推薦方法是根據用戶曾經喜歡的物品，找到與該物品內容相似的物品推薦給用戶，需要有物品的內容信息是標注。這個項目的背后需要對每一首歌進行專業的音樂屬性標注，例如音樂節奏、旋律、樂器、流派等等。這些屬性就像是音樂的基因一樣，有了成千上萬的音樂基因就可以準確的判斷音樂之間的相似性。

（1）基于內容的協同過濾

基于內容的推薦方法具有實現簡單易于理解的特點，是協同過濾[4]中最流行的一種推薦技術。按照比較對象類別的不同，基于內存的協同過濾又可分為基于用戶的協同過濾和基于項目的協同過濾兩種?；谟脩舻膮f同過濾推薦的基本思想是，要想為當前用戶推薦合適的物品，最佳的方式是先找到與當前用戶興趣上最相近的鄰居用戶集，鄰居用戶的興趣偏好可以作為當前用戶的推薦根據?；谶@樣的思想，計算出與當前用戶興趣偏好最相似的Top-k個鄰居用戶集。接著，根據Top-k個鄰居用戶對當前用戶尚未評分物品的加權平均評分值，預測當前用戶對各種待推薦物品的評分，最終向當前用戶推薦評分值排名靠前的物品。

（2）基于模型的協同過濾

與基于內存的協同過濾推薦不同，基于模型的協同過濾推薦主要通過用戶對項目的評分信息，構造出基于“用戶-項目”的評分矩陣，進而從該矩陣中訓練出相應的評估模型，利用評估模型預測用戶為評分項的評分值。目前，基于模型協同過濾推薦算法主要包括貝葉斯層次模型、聚類模型、潛在因子模型等。為了處理大數據的需要，Salakhutdinov等人提出了利用低維近似矩陣分解模型進行推薦，取得了良好的推薦效果。矩陣分解模型憑借著處理大數據上的獨特優勢，已成為當前應用最廣泛的基于模型的協同過濾推薦技術。

（3）混合推薦算法

單一的推薦算法無法在海量的數據當中較為精確地推薦出滿足用戶需求的曲目，多為幾種瑞安算法的混合。一般情況下，可以將基于協同過濾的推薦和其他推薦算法混合，根據權重選擇效果較好的作為最終推薦的結果。隨著網絡技術的發展和用戶的個性化需求，也可以將推薦算法與其他因素相融合，例如用戶位置、情景信息等。

基于矩陣分解的協同過濾推薦的一項關鍵步驟是模型的學習，模型的好壞直接決定推薦結果的準確性。模型的學習過程即利用已有的評分數據訓練出最佳的用戶特征矩陣U和項目特征矩陣M。

4.總結

本文提出基于大數據下智能譜曲軟件的算法研究方案，通過算法實現人工智能譜曲功能，并利用大數據檢索實現個性化音樂推薦系統，為計算機音樂制作中實現智能化和個性化提供切實可行的解決方案。研究上還存在需要改進和完善的地方，如情景感知推薦面臨的問題，主要體現在數據稀缺性和多維數據處理兩方面，后續將針對這兩個方面進行深入地研究。本項目受到廣東石油化工學院創新創業學院-大學生創新培育項目支助，在此表示感謝。

參考文獻：

[1]田明，任強.譜曲軟件的開發與應用 2014-09-17

[2]馮寅，周昌樂.算法作曲的研究進展 2006

[3]鄭銀環， 王嘉珺， 郭威， et al. 基于特征旋律挖掘的二階馬爾可夫鏈在算法作曲中的研究與應用[J]. 計算機應用研究， 2018， 35（3）： 849-853.

[4]邵娜. 基于協同過濾算法的推薦系統設計[J]. 產業與科技論壇， 2019（5）.

作者簡介：

吳潔華（1998.4-），女，漢族，廣東揭陽，本科在讀生，研究方向為：UI設計，廣東石油化工學院計電子信息工程學院電子信息科學與技術17級1班;

鄧盛益（2000.5-），男，漢族，廣東茂名，本科在讀生，研究方向為：測控技術與儀器，廣東石油化工學院自動化學院測控技術與儀器17級2班;

邱金波（1982.2-），男，漢族，廣東茂名，本科在讀生，研究方向為：計算機科學與技術，廣東石油化工學院電子信息工程學院;

陳由振（1998.4-），男，漢族，廣東湛江，本科在讀生，研究方向為：網絡工程，廣東石油化工學院計算機學院網絡工程17級2班。