利用机器学习进行音乐知识发现

Pompeu Fabra大学，卡迪夫大学和马德里技术大学的研究人员使用机器学习算法来发现有关音乐历史的新事物。

音乐学研究人员的主要任务之一是在研究历史文献和其他可用信息后，开发和验证音乐假设。许多历史文档现已数字化，可以在计算机上访问和浏览，使研究人员可以轻松地在线访问它们。但是，基本搜索引擎以“精确文本字符串匹配”级别操作，因此并不总是捕获内容中的基本含义。

在最近发表的一项研究中，音乐数据科学研究员Sergio Oramas及其同事测试了自然语言处理(NLP)方法，这些方法可以充分利用存档的历史文档，帮助科学家发现新的假设并识别可用数据中的有趣模式。

“作为一名音乐学家，我想利用大型音乐百科全书的内容，例如New Grove词典或维基百科，”Oramas在接受Tech Xplore采访时表示。“阅读的内容太多，生活中的时间太少，但计算机可以帮助我们解决这个问题。”

Oramas及其同事的工作将自动语言处理应用于大量音乐相关文本，以发现隐藏在线条之间的新事实，并评估机器学习对音乐学研究的潜力。他们的研究使用了来自各种来源的数据，包括维基百科，DBpedia和MusicBrainz，特别与弗拉门戈，文艺复兴时期的音乐和流行音乐有关。

使用NLP，一种分析书面和口头人类语言的计算方法，研究人员能够识别音乐史上有趣的模式。“我们直接从最有影响力的弗拉门戈和文艺复兴时期艺术家的数据中提取，并发现了15和16世纪欧洲城市之间作曲家的迁移倾向，”Oramas说。

对亚马逊评论的分析也引发了有关流行音乐演变的有趣发现，例如2008年语言使用的非凡积极性，令人惊讶地成为几乎所有类型的历史最高音。值得注意的是，传统上与​​不同社区相关的流派，如爵士乐和拉丁音乐，在公众的积极看法中得到了最值得注意的改善，而其他人(如国家)却没有。

他们的研究还发现，用户在评论中表达的观点与在某些几十年或特定类型中发行的专辑的流行程度之间存在很强的相关性，例如60年代的流行音乐和80年代早期的雷鬼音乐。例如，在雷鬼的情况下，他们在70年代后半期和80年代上半期之间确定了更大比例的正面评价，这通常被称为“雷鬼的黄金时代”。这种受欢迎程度的提高可能与Bob Marley的专辑的出版有关，这些专辑在当时的流行度有所提升。

Oramas及其同事的工作证明，分析在特定时期写的音乐评论可以帮助音乐学家更多地了解类型的演变并识别关键的历史事件。“最终，我们最有意义的发现是证明自然语言处理可以帮助发现新的音乐假设，并从可能回答这些问题和其他问题的数据中收集重要的见解，”Oramas解释说。

将来，Oramas计划通过包括其他类型的内容来扩展他的研究，例如音频，图像和潘多拉音乐基因组计划收集的数据，这是有史以来收集的最复杂的音乐信息分类。