(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211162535.X (22)申请日 2022.09.23 (71)申请人 大连民族大 学 地址 116000 辽宁省大连市金普新区辽河 西路18号 (72)发明人 白晓东　红格尔　王祎琳　陈振宇　 张睿彤　白佳琪　 (74)专利代理 机构 沈阳一诺君科知识产权代理 事务所(普通 合伙) 2126 6 专利代理师 王建男 (51)Int.Cl. G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 40/289(2020.01) G06F 16/683(2019.01) G06F 16/65(2019.01) G06F 16/635(2019.01) (54)发明名称 一种基于深度学习的古诗词配乐方法及系 统 (57)摘要 本申请涉及配乐领域， 尤其涉及一种基于深 度学习的古诗词配乐方法及系统。 方法包括： 构 建音乐分类模型； 构建音乐库， 通过音乐分类模 型分别确定音乐库中音乐文件的音乐情感类型； 基于深度学习构建古诗词分类模 型； 输入待匹配 文本至古诗词分类模型， 确定待匹配文本的主题 分类结果和情感分类结果； 基于预设的特征匹配 模型， 根据待匹配文本的主题分类结果和情感分 类结果， 确定可匹配的音乐情感类型并且在音乐 库中搜索相应于可匹配的音乐情感类型的音乐 文件， 确定相应于待匹配文本的匹配音乐。 本申 请通过构建关于古诗词情感的古诗词分类模型， 可以有针对性地对古诗词文本所表达的情感进 行分析并且迅速地基于古诗词文本的情感进行 音乐匹配 。 权利要求书3页 说明书8页 附图2页 CN 115422947 A 2022.12.02 CN 115422947 A 1.一种基于深度学习的古 诗词配乐方法， 其特 征在于， 包括： S1： 构建关于音乐情感的音乐分类模型； 可通过输入音乐文件至所述音乐分类模型， 用 于相应地确定音乐文件的音乐情感类型； S2： 构建包括若干个音乐文件的音乐库， 通过音乐分类模型分别确定音乐库中若干个 音乐文件的音乐情感类型； S3： 基于深度学习构建关于古诗词情感的古诗词分类模型； 可通过输入古诗词文本至 所述古诗词分类模型， 用于相应地确定古 诗词文本的主题分类结果和情感分类结果； S4： 获取待配乐的古诗词的待 匹配文本， 输入待匹配文本至古诗词分类模型， 确定待匹 配文本的主题分类结果和情感分类结果； S5： 基于预设的特征匹配模型， 根据待匹配文本的主题分类结果和情感分类结果， 确定 相应于待匹配文本的可匹配的音乐情感类型并且在音乐库中搜索相 应于可匹配的音乐情 感类型的音乐文件， 确定相应于待匹配文本的匹配音乐。 2.根据权利要求1所述的一种基于深度 学习的古诗词配乐方法， 其特征在于， 所述音乐 分类模型包括： 音乐特 征模型、 音乐识别模型和分类认知模型； 所述音乐特 征模型， 用于确定音乐文件中音乐基本单 元的音乐特 征； 所述音乐识别模型， 用于确定音乐文件中音乐基本单 元的音乐情感类型； 所述分类认知模型， 用于根据音乐文件中音乐基本单元的音乐特征和音乐情感类型， 确定音乐文件的音乐情感类型。 3.根据权利要求2所述的一种基于深度 学习的古诗词配乐方法， 其特征在于， 所述音乐 特征模型中的音乐特 征包括： 音高、 音强、 旋律方向、 速度、 节拍和音色； 以及， 所述音乐特 征模型包括： Hevner情感环模型； 以及， 所述分类认知模型基于决策树理论确定音乐文件的音乐情感类型。 4.根据权利要求1所述的一种基于深度 学习的古诗词配乐方法， 其特征在于， 所述古诗 词分类模型包括： 主题分类模型 FastText和情感分类模型Bi LSTM； 以及， 所述 步骤S3包括： S31： 构建包括若干个古诗词的诗词库， 以及对诗词库中的若干个古诗词进行预处理， 得到预处 理文库； S32： 在预处 理文库中挑选出训练集和 测试集； S33： 根据训练需求， 通过训练集训练模型并且通过测试集测试模型， 得到相应于训练 需求的主题分类模型 FastText和情感分类模型Bi LSTM； 可通过输入音乐文件至所述主题分类模型FastText， 用于相应地确定音乐文件的主题 分类结果； 可通过输入音乐文件至所述情感分类模型BiLSTM， 用于相应地确 定音乐文件的 情感分类结果。 5.根据权利要求4所述的一种基于深度 学习的古诗词配乐方法， 其特征在于， 所述步骤 S31包括： S311： 基于包含诗词内容的语料库和包含情感标签的知识库， 构建起包含古诗词内容 和古诗词对应情感标签的 的诗词库； S312： 去除诗词库中的若干个古 诗词的标点符号， 分别得到若干个古 诗词的纯文本； S313： 基于预设标准对纯文本进行切分， 得到相应于若干个古 诗词的切分文本；权　利　要　求　书 1/3 页 2 CN 115422947 A 2S314： 通过Python中 的Gensim自然语言处理工具包使用Word2Vec模型将若干个切分文 本转化为相应于若干个古 诗词的词向量， 得到预处 理文库。 6.根据权利要求5所述的一种基于深度 学习的古诗词配乐方法， 其特征在于， 所述步骤 S313中的预设标准可为以字为单位， 也可为以词为单位。 7.根据权利要求5所述的一种基于深度 学习的古诗词配乐方法， 其特征在于， 所述步骤 S33包括： S331： 设置输入层， 输入词向量并采用n ‑gram语言模型扩充特征词， 增加文本的时序特 征； 设置隐藏层， 对文本中的词向量进行叠加平均； 设置 输出层， 输出SoftMax分类概 率； S332： 通过训练集训练模型并且通过测试集测试模型， 得到相应于训练需求的主题分 类模型FastText； S333： 设置输入层， 输入词向量； 设置 映射层， 将句中的每一个词都映射成固定长度的 向量； 设置LSTM层， 用双向的LSTM对进入此层的向量进行计算， 得到更高级别的句子向量； 设置Attention层， 对双向LSTM的结果加权； 设置 输出层； S334： 通过训练集训练模型并且通过测试集测试模型， 得到相应于训练需求的情感分 类模型Bi LSTM。 8.根据权利要求1所述的一种基于深度 学习的古诗词配乐方法， 其特征在于， 所述步骤 S2包括： S21： 构建包括若干个音乐文件的音乐库， 通过音乐分类模型分别确定音乐库中若干个 音乐文件的音乐情感类型和相应于音乐情感类型的音乐情感标签； 以及， 所述 步骤S4包括： S41： 获取待配乐的古诗词的待匹配文本， 输入待匹配文本至古诗词分类模型， 确定待 匹配文本的主题分类结果和情感分类结果， 以及确定相应于主题分类结果的古诗词主题 标 签和相应于情感分类结果的古 诗词情感标签； 以及， 所述 步骤S5包括： S51： 构建基于音乐情感标签、 古 诗词主题标签和古 诗词情感标签的初始数据集； S52： 通过初始训练集对随机森林算法模型进行训练， 得到特 征匹配模型； S53： 基于特征匹配模型， 根据待匹配文本的古诗词主题标签和古诗词情感标签， 确定 相应于待匹配文本的可匹配的音乐情感标签并且在音乐库中搜索相 应于可匹配的音乐情 感标签的音乐文件， 确定相应于待匹配文本的匹配音乐。 9.一种基于深度学习的古诗词配乐系统， 其特征在于， 包括： 模型构建模块、 音乐库模 块、 音乐分类模块、 古 诗词输入 模块、 古诗词分类模块和匹配模块； 所述模型构建模块， 用于构建音乐分类模型和古 诗词分类模型； 所述音乐库模块， 用于存 储音乐库； 所述音乐分类模块， 用于存储音乐分类模型， 以及通过音乐分类模型确定若干个音乐 文件的音乐情感类型； 所述音乐库模块还用于存 储已确定音乐情感类型的音乐库； 所述古诗词输入模块， 用于获取待配乐的古诗词并且确定待配乐的古诗词的待 匹配文 本， 以及传送待匹配文本； 所述古诗词分类模块， 用于存储古诗词分类模型， 用于接收待匹配文本并且通过古诗 词分类模型确定待匹配文本的主题分类结果和情感分类结果；权　利　要　求　书 2/3 页 3 CN 115422947 A 3