使用LyricEmotionNet进行强大的情绪识别,并采用混合CapsNet-内存网络架构

科学领域:

• 人工智能的人工智能
• 自然语言处理自然语言处理.
• 音乐信息检索 音乐信息检索

背景情况:

• 准确的歌词情感分析对于流媒体平台上个性化的音乐建议至关重要.
• 现有的方法与局部情感特征,远程依赖和不完整的歌曲数据作斗争.

研究的目的:

• 提出LyricEmotionNet,这是一个混合深度学习模型,结合了CapsNet和内存网络.
• 通过有效处理局部特征和远程依赖来增强歌词情感分析.
• 在处理不完整的文本信息时,提高情绪分析模型的稳定性.

主要方法:

• 开发了一种混合深度学习架构LyricEmotionNet,集成CapsNet用于本地特征提取和内存网络用于远程依赖模型.
• 利用CapsNet精确捕捉歌词中的当地的情感细微差别.
• 采用记忆网络,在延长的歌词序列中有效地模拟情感依赖.

主要成果:

• 在6个情感类别的660首歌的数据集上实现了94.29%的分类准确性.
• 即使没有歌曲数据,也保持了90.20%的准确性,超过了现有的方法.
• 通过比较实验和废除研究,在准确性和稳健性方面表现出显著的优势.

结论:

• LyricEmotionNet为歌词情感分析提供了一个强大的解决方案,特别是不完整的数据.
• 该模型为音乐情感分析和个性化推系统提供了新的技术见解.
• 结果为涉及不完整文本数据分析的研究提供了宝贵的参考.