首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于歌词的音乐情感分类技术研究

摘要第5-6页
Abstract第6页
第1章 绪论第9-15页
    1.1 研究背景第9-10页
    1.2 研究现状第10-13页
        1.2.1 情感分析第10-12页
        1.2.2 音乐的情感分类第12-13页
    1.3 本文工作第13-14页
    1.4 本文的组织结构第14-15页
第2章 基于监督学习的音乐情感分类第15-31页
    2.1 实验数据以及评价指标第15-16页
    2.2 分词对于情感分类的影响第16-21页
        2.2.1 歌词语言特点分析第17-19页
        2.2.2 分词性能对音乐情感分类准确性的影响第19-21页
    2.3 几种分类器的性能比较第21-29页
        2.3.1 最大熵分类器第21-23页
        2.3.2 支持向量机第23-26页
        2.3.3 监督主题模型第26-27页
        2.3.4 分类器性能比较第27-29页
    2.4 本章小结第29-31页
第3章 基于部分监督和半监督学习的音乐情感分类第31-49页
    3.1 部分监督学习方法第31-37页
        3.1.1 基本思想第31-32页
        3.1.2 启发式的二元分割方法第32-33页
        3.1.3 Spy-SVM方法第33-34页
        3.1.4 实验第34-37页
    3.2 半监督学习方法第37-46页
        3.2.1 LDA模型第37-41页
        3.2.2 实验结果第41-45页
        3.2.3 半监督学习方法的讨论第45-46页
    3.3 本章总结第46-49页
第4章 基于词典的音乐情感分类第49-65页
    4.1 基于词典的音乐情感分类第49-54页
        4.1.1 情感词典第49页
        4.1.2 基于词典的分类方法第49-52页
        4.1.3 实验结果第52-53页
        4.1.4 结果分析第53-54页
    4.2 基于最大熵模型的词典扩充第54-57页
        4.2.1 最大熵模型文件第54-55页
        4.2.2 情感词选取方法第55页
        4.2.3 实验结果第55-57页
    4.3 基于bootstrapping的词典扩充第57-62页
        4.3.1 bootstrapping方法第58-60页
        4.3.2 实验结果第60-62页
    4.4 基于词典与基于监督学习方法的结合第62-64页
        4.4.1 加入情感词特征第62-63页
        4.4.2 将基于情感词典方法的结果作为特征第63页
        4.4.3 实验结果第63-64页
    4.5 本章小结第64-65页
第5章 工作总结与展望第65-67页
    5.1 工作总结第65-66页
    5.2 未来工作第66-67页
参考文献第67-71页
致谢第71页

论文共71页,点击 下载论文
上一篇:云南J公司LED产品营销策略研究
下一篇:小学语文教师教学生活的叙事研究--以C市S小学一名80后女教师为个案