歌曲标签整理、访问方法及其装置、设备、介质、产品制造方法及图纸

本申请涉及歌曲检索技术领域，公开一种歌曲标签整理、访问方法及其装置、设备、介质、产品，所述整理方法包括：获取曲库中的目标歌曲；查询确定所述目标歌曲相对应的多个预设的标签子集，将各标签子集合并为标签集合，其中，第一标签子集为预设歌单库中收藏该首目标歌曲的各个歌单所映射的自有标签集的合集；统计目标歌曲的标签集合中的每个标签命中所述歌单库中歌单相对应的自有标签集的频次，将频次满足预设条件的多个标签确定为目标歌曲的归纳标签。本申请以歌单为曲库中的目标歌曲的标签素材来源，利用歌单相对应的自有标签集为目标歌曲打标，便于据此为用户所收藏的歌曲制备归纳标签，方便用户精准高效地查询其自身收藏的大量歌曲。大量歌曲。大量歌曲。

【技术实现步骤摘要】
歌曲标签整理、访问方法及其装置、设备、介质、产品


[0001]本申请涉及歌曲检索
，尤其涉及一种歌曲标签整理、访问方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。

技术介绍

[0002]随着人们精神文明生活质量的提升，个人歌曲库中的歌曲总量越来越庞大，为方便用户在其曲库中快速访问歌曲，现有技术为用户提供了多种方式用于实现歌曲的快速查找，包括利用歌曲的多种预设属性进行打标、利用歌单进行批量归类、利用其他人工标记进行索引等，这些方式理论上均可以在某种程度上简化用户检索目标歌曲的复杂度，但是，这些方式普遍存在标签颗粒度大、歌曲覆盖不全面等现象，因此，标签分类效果不佳。
[0003]另一方面，如果由提供歌曲访问功能的平台官方负责歌曲的打标，利用权威标签来给用户进行歌曲整理，又会涉及大量具有音乐背景的人员进行人工手动标注歌曲标签的问题，以及也带来相应的维护更新的问题，因此不可避免会存在以下具体问题：
[0004]1、成本高企，需要专业人力成本长时间的标注积累工作；
[0005]2、由于现有曲库的歌曲数量达到千万级，会出现歌曲标签稀疏的问题，同时标签的召回情况也不够乐观。
[0006]综上，因为现有歌曲存在标签数据歌曲覆盖不全的问题，所以现有标签数据很难应用在整理歌曲的方向上，针对歌曲整理需求，需要另辟蹊径。

技术实现思路

[0007]本申请的首要目的在于解决上述问题至少之一而提供一种歌曲标签整理、访问方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品，以实现辅助音乐创作。
[0008]为满足本申请的各个目的，本申请采用如下技术方案：
[0009]适应本申请的目的之一而提供的一种歌曲标签整理方法，包括如下步骤：
[0010]获取曲库中的目标歌曲；
[0011]查询确定所述目标歌曲相对应的多个预设的标签子集，将各标签子集合并为标签集合，其中，第一标签子集为预设歌单库中收藏该首目标歌曲的各个歌单所映射的自有标签集的合集；
[0012]统计目标歌曲的标签集合中的每个标签命中所述歌单库中歌单相对应的自有标签集的频次，将频次满足预设条件的多个标签确定为目标歌曲的归纳标签。
[0013]深化的实施例中，所述查询确定所述目标歌曲相对应的多个预设的标签子集，将各标签子集合并为标签集合的步骤中：
[0014]该标签集合的第二标签子集为该目标歌曲所携带的属性数据相映射的属性标签集，和/或,
[0015]该标签集合的第三标签子集包含该目标歌曲所携带的人工标记标签，该人工标记
标签用于表示目标歌曲所归属的音乐流派。
[0016]扩展的实施例中，所述获取曲库中的目标歌曲的步骤之前，包括如下步骤：
[0017]采用预训练的神经网络模型提取所述歌单库中每个歌单的描述文本在语义上相关联的多个标签，将提取出的多个标签存储为该歌单相应的自有标签集。
[0018]深化的实施例中，所述采用预训练的神经网络模型提取所述歌单库中每个歌单的描述文本在语义上相关联的多个标签，将提取出的多个标签存储为该歌单相应的自有标签集，包括如下步骤：
[0019]获取所述歌单库中的每个歌单的描述文本；
[0020]采用所述神经网络模型中的词向量模型提取所述描述文本的词向量表示；
[0021]采用所述神经网络模型中的词编码模型对所述词向量表示进行特征提取，获得相应的文本特征向量；
[0022]采用所述神经网络模型中的分类器对所述文本特征向量进行分类，获得分类结果中的多个标签，将所述多个标签存储为所述歌单相对应的自有标签集。
[0023]扩展的实施例中，本申请歌曲标签整理方法还包括如下预训练所述神经网络模型的步骤：
[0024]获取数据集，该数据集包括多个训练样本，每个训练样本包含一个歌单相对应的描述文本；
[0025]对每个训练样本的描述文本进行规则匹配，获得所述描述文本相对应的标签，作为该描述文本的监督标签，使该数据集构成训练集；
[0026]在单次训练任务中，采用所述训练集中任意一个训练样本对所述神经网络模型实施训练，获得其对该训练样本的描述文本进行分类后的分类标签；
[0027]根据该训练样本中的监督标签计算所述分类标签的损失值，以该损失值对该神经网络模型实施梯度更新，启用所述训练集中的下一训练样本对该神经网络模型实施迭代训练，直至所述神经网络模型收敛而完成当次任务训练，获得所述神经网络模型的中间状态实例；
[0028]采用所述神经网络模型的中间状态实例对所述训练集中的各个训练样本的描述文本进行分类预测，利用分类结构匹配预设阈值确定出每个训练样本相对应的分类标签，以所述分类标签更新相应的训练样本的监督标签，完成训练集的更新；
[0029]启用下一训练任务，采用更新后的训练集对所述神经网络模型实施任务迭代训练，直至所述神经网络模型的中间状态实例达致收敛状态或者其预测准确率达致预设阈值。
[0030]深化的实施例中，所述统计目标歌曲的标签集合中的每个标签命中所述歌单库中歌单相对应的自有标签集的频次，将频次满足预设条件的多个标签确定为目标歌曲的归纳标签的步骤之后，还包括如下步骤：
[0031]响应用户的歌曲标签整理请求，获取由该用户所收藏的歌曲所构成的歌曲列表；
[0032]获取所述歌曲列表中每首收藏歌曲所持有的归纳标签；
[0033]根据所述归纳标签对所述歌曲列表中的收藏歌曲进行聚类，存储每个归纳标签与其下属收藏歌曲之间的映射关系数据；
[0034]将包含所有归纳标签的归纳列表推送至所述用户的终端设备显示。
[0035]扩展的实施例中，所述将包含所有归纳标签的归纳列表推送至所述用户的终端设备显示的步骤之后，包括如下步骤：
[0036]响应所述用户针对所述归纳列表中的任意归纳标签提交的歌曲查询请求，根据所述映射关系数据获取由该归纳标签相对应的收藏歌曲构成的归纳歌曲列表；
[0037]将所述归纳歌曲列表推送至所述用户的终端设备显示。
[0038]适应本申请的目的之一而提供的一种歌曲标签访问方法，包括如下步骤：
[0039]响应作用于歌曲整理控件的操作指令而向服务器发送歌曲标签整理请求，以获得服务器整理当前用户的收藏歌曲后返回的用于封装所述收藏歌曲的归纳标签的归纳列表；
[0040]解析显示所述归纳列表中的各个归纳标签，将各归纳标签解析为适于响应触控操作的控件；
[0041]响应作用于任意所述归纳标签的操作指令而向服务器发送歌曲查询请求，以获得服务器根据该歌曲查询请求查询携带该归纳标签的收藏歌曲所构成的归纳歌曲列表；
[0042]解析显示所述归纳歌曲列表中的收藏歌曲，将各首收藏歌曲解析为适于响应触控操作而播放。
[0043]较佳的实施例中，所述归纳列表中的归纳标签，属于其下属的各首歌曲所隶属的歌单相映射的自有标签集的共有标签。
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种歌曲标签整理方法，其特征在于，包括如下步骤：获取曲库中的目标歌曲；查询确定所述目标歌曲相对应的多个预设的标签子集，将各标签子集合并为标签集合，其中，第一标签子集为预设歌单库中收藏该首目标歌曲的各个歌单所映射的自有标签集的合集；统计目标歌曲的标签集合中的每个标签命中所述歌单库中歌单相对应的自有标签集的频次，将频次满足预设条件的多个标签确定为目标歌曲的归纳标签。2.根据权利要求1所述的歌曲标签整理方法，其特征在于，所述查询确定所述目标歌曲相对应的多个预设的标签子集，将各标签子集合并为标签集合的步骤中：该标签集合的第二标签子集为该目标歌曲所携带的属性数据相映射的属性标签集，和/或,该标签集合的第三标签子集包含该目标歌曲所携带的人工标记标签，该人工标记标签用于表示目标歌曲所归属的音乐流派。3.根据权利要求1所述的歌曲标签整理方法，其特征在于，所述获取曲库中的目标歌曲的步骤之前，包括如下步骤：采用预训练的神经网络模型提取所述歌单库中每个歌单的描述文本在语义上相关联的多个标签，将提取出的多个标签存储为该歌单相应的自有标签集。4.根据权利要求3所述的歌曲标签整理方法，其特征在于，所述采用预训练的神经网络模型提取所述歌单库中每个歌单的描述文本在语义上相关联的多个标签，将提取出的多个标签存储为该歌单相应的自有标签集，包括如下步骤：获取所述歌单库中的每个歌单的描述文本；采用所述神经网络模型中的词向量模型提取所述描述文本的词向量表示；采用所述神经网络模型中的词编码模型对所述词向量表示进行特征提取，获得相应的文本特征向量；采用所述神经网络模型中的分类器对所述文本特征向量进行分类，获得分类结果中的多个标签，将所述多个标签存储为所述歌单相对应的自有标签集。5.根据权利要求4所述的歌曲标签整理方法，其特征在于，还包括如下预训练所述神经网络模型的步骤：获取数据集，该数据集包括多个训练样本，每个训练样本包含一个歌单相对应的描述文本；对每个训练样本的描述文本进行规则匹配，获得所述描述文本相对应的标签，作为该描述文本的监督标签，使该数据集构成训练集；在单次训练任务中，采用所述训练集中任意一个训练样本对所述神经网络模型实施训练，获得其对该训练样本的描述文本进行分类后的分类标签；根据该训练样本中的监督标签计算所述分类标签的损失值，以该损失值对该神经网络模型实施梯度更新，启用所述训练集中的下一训练样本对该神经网络模型实施迭代训练，直至所述神经网络模型收敛而完成当次任务训练，获得所述神经网络模型的中间状态实例；采用所述神经网络模型的中间状态实例对所述训练集中的各个训练样本的描述文本
进行分类预测，利用分类结构匹配预设阈值...

【专利技术属性】
技术研发人员：肖翔，贺佳敏，梁海龙，
申请(专利权)人：广州歌神信息科技有限公司，
类型：发明
国别省市：