基於線性迴歸之個人化音樂情緒辨識

Abstract

情緒在人聆聽音樂的經驗中是不可或缺的要素，因此，自動化的音樂情緒辨識是音樂資訊檢索的一個重要研究分支。由於音樂情緒的感知在本質上是非常主觀的，要能夠有效提升辨識結果的可靠度，針對音樂情緒辨識進行個人化被廣泛認為是不可或缺的一環。然而，音樂情緒辨識的個人化通常需要使用者提供大量的音樂情緒標註才能夠出現成效，實際應用上飽受侷限。因此，本論文提出一個基於線性迴歸的音樂情緒辨識模型個人化方法，該方法採用漸進式學習的方式，只需要少量的使用者標註就可以產生成效。更進一步的，本論文探索了不同模型參數類聚的策略，以同時調整數個高度相關的模型參數，強化從既有標註中學習的能力。實驗結果顯示本論文所提出的個人化方法能夠有效地提升音樂情緒辨識模型的準確度，也映證了所提出的模型參數類聚策略的可靠度。

Personalization techniques can be applied to address the subjectivity issue of music emotion recognition, which is important for music information retrieval. However, achieving satisfactory accuracy in personalized music emotion recognition for a user is difficult because it requires an impractically huge amount of annotations from the user. In this thesis, a linear regression based method is proposed to personalize a music emotion model in an online learning fashion. In addition, two parameter tying strategies are employed to improve the efficiency of personalization by modifying closely related model parameters together. An empirical justification of the design of parameter tying strategies are given, and comprehensive experiments conducted on several datasets showed the effectiveness of the proposed method.