基于音乐社交媒体标签的情绪语义计算

Last.fm 等在线音乐服务中固有的社会标签提供了丰富的音乐情绪信息来源。社会标签的丰富性使得这些数据非常有利于开发管理和检索情绪信息的技术，并使得能够利用比传统情绪研究可用的数据大得多的数据量来研究音乐内容与情绪表示之间的关系。然而，目前尚未对社会标签及其衍生的语义模型在捕捉音乐情绪信息方面的准确性进行系统评估。我们提出了一种称为情感圆周变换（Affective Circumplex Transformation, ACT）的新技术，该技术基于社会标签的语义计算和情绪建模研究，以可解释且稳健的方式表示音乐曲目情绪。我们通过预测听众对音乐曲目情绪的评分来验证该技术，并将结果与向量空间模型（Vector Space Model, VSM）、奇异值分解（Singular Value Decomposition, SVD）、非负矩阵分解（Nonnegative Matrix Factorization, NMF）以及概率潜在语义分析（Probabilistic Latent Semantic Analysis, PLSA）的预测结果进行了比较。结果表明，ACT 始终优于基线技术，且其性能在面对少量曲目级情绪标签时具有稳健性。这些结果为在应用开发中利用通过社会标签获得的数百万音乐曲目及相关情绪数据提供了有效性和分析见解。