让 AI 看懂你的心情，并推荐应景的音乐，以一种简单的实现_基于图像情感分类的音乐推荐系统csdn

一种(简单的)基于心情的音乐推荐系统

项目完整源码：https://github.com/cdfmlr/murecom-verse-1

你什么时候听音乐？快乐的时候，悲伤的时候，兴奋的时候，失落的时候…时时刻刻。

你听什么音乐？欢快的音乐，治愈的音乐，浪漫的音乐，伤感的音乐…因时而异，因心情而定。

传统的推荐系统做了什么？忠实记录你历史上任意时刻的所有听歌记录，拿去和别的用户比较，推荐他们喜欢的歌给你。。。不管你现在什么心情，不管你想听什么类型。这种东西往往不太懂我。

我是个情绪复杂的人，我早上醒来可能任沉浸在梦里，异常低落，我需要 Sasha Sloan；开始做事情要让脑子活过来，我需要 ZUTOMAYO；中午的疲惫下让 Evan Call 调整心情；午后的阳光里让 Bach 带我创作；日落时分的脑子被思念塞满，这时的 Halsey 也许不错；深夜凉爽的霓虹散发迷离的美，这时的爵士与嘻哈绝配，给我来一段 Nujabes。

不同时刻，不同场景，不同心情，给你听不同的歌，这就是一个基于心情的推荐系统。

（我认为时刻与场景作用于心情从而影响人，所以基于心情，而不是场景或时刻等外在因素）

想法

如何基于心情推荐？

首先，我们需要知道一首歌对应什么心情——(也许是)最简单的方法：分析歌名、歌词、以及热心网友的精彩评论。从文本获取情感，可以用比较简单的实现：每个词会对应一些既定的情感，只要当地新华书店购买一本「情感词典」就容易获取一个句子的情感。

然后，我们需要知道用户目前的心情。可以让用户输入一段话、一首诗、一篇文学大作。析文本中的情感，和前面处理歌曲如出一辙。“但我就听个歌诶，你还要让我写作，我讨厌语文，我不是诗人。”那么，对于这种不浪漫的用户，我们假设他情感比较直接，开心还是忧伤，全写在脸上，一看便知——考虑从人像识别情感。

最后，用户的心情与数据库中歌曲的心情一比较，找出最接近的，推荐出来，完成。

设计

想法很简单，但能实现嘛？先看看我们需要做什么。

• 音乐数据（包括歌词、评论等）：我们可以从网易云音乐获取：网易云拥有“丰富”的曲库，“完善”的歌词，“精彩”的评论；
• 文本 => 情感：前面提到需要一个情感词典，大连理工大学的大佬们做了这样的一个情感词汇本体词典，心怀感激地拿来用：http://ir.dlut.edu.cn/info/1013/1142.htm
• 图像 => 情感：也有大佬做过这个：Context Based Emotion Recognition using Emotic Dataset，有开源的实现，可以心怀感激地拿来用：https://github.com/Tandon-A/emotic
• 心情比较、推荐：KNN，这个简单，Sk-learn 随便做，当然也是心怀感激地。

所以说这个系统还是比较简单的。

在开始实现之前，我们还需要讨论一点细节。大连理工情感词典（以下简称 DLUT）把情感分成了 7 大类，21 小类，而那个外国的图像情感识别（以下简称 Emotic） 把情感分成了 26 类。我们需要胶合一下，把二者对应起来。这里我们选择以 DLUT 为主，将 Emotic 的分类映射到 DLUT：

(这个映射我随便写的，有待商榷)

没有任何难点，直接撸代码。

实现

音乐数据

在 ncm 目录下，我们从网易云获取了一些数据：

和我们上一篇文章获取 Spotify 的数据不同，网易云有个特点——歌单里面曲目多，所以我们获取了不到 1 万张列表，就得到了 20 万首歌曲，100 万条热门评论。

ncm=# select count(*) from playlists;
  8426

ncm=# select count(*) from tracks;
 219038

ncm=# select count(*) from comments;
 1052112
1
2
3
4
5
6
7
8

获取数据的过程如下图所示：

（在 git commit message 中有开发每一步更详细的说明）

这里使用了大量 Master/Worker 模式：

这些各种 Worker 都是一个单独的 Goroutine，全在并发运行，靠 channel 传数据。

以及一些 C/S 模式：

数据库和网络作为数据入口/出口，以 C/S 模式来访问，各自集中维护自己的链接池。

（ncm 是个实验性的程序，效率并不高。我只是想尝试在编程时去面向对象化，尝试回归比较纯粹的数据驱动、面向过程、函数式，就像 Rob Pike 的代码那样。）

中文文本情感分析

在 emotext 中，实现了利用大连理工大学情感本体库进行中文文本情感分析。

从 DLUT 的网站下载到情感词典：http://ir.dlut.edu.cn/info/1013/1142.htm

它给的是 Excel 表格，为了方便，我们将其重新导出为 CSV 格式，得到的文件形如：

词语,词性种类,词义数,词义序号,情感分类,强度,极性,辅助情感分类,强度,极性
脏乱,adj,1,1,NN,7,2,,,
糟报,adj,1,1,NN,5,2,,,
战祸,noun,1,1,ND,5,2,NC,5,2
招灾,adj,1,1,NN,5,2,,,
1
2
3
4
5

接下来，要把这个大表读到程序里。我们把「词语 + 情感」视为一个 Word 对象，如果一个词有「辅助情感分类」则把它看成两个 Word：

class Word:
    word: str
    emotion: str
    intensity: int  # 情感强度: 分为 1, 3, 5, 7, 9 五档，9 表示强度最大，1 为强度最小。
    polarity: Polarity
1
2
3
4
5

再写一个 Emotions 类来放所有的这些 Word 即对应情感。用一个 self.words dict，把每种情感的 Word 分开放。

class Emotions:
    def __init__(self):
        self.words = {
   emo: [] for emo in emotions}  # {"emotion": [words...]}
        with open('/path/to/dict.csv') as f:
            self._read_dict(f)
1
2
3
4
5
6

现在给定一个词汇，只需在表中查找，若存在，就到的了情感与对应强度（Word 对象）；若不存在，就认为这个词没有感情，直接忽略。

def _find_word(self, w: str) -> List[Word]:
    result = []
    for emotion, words_of_emotion in self.words.items():
        ws = list(map(lambda x: x.word, words_of_emotion))
        if w in ws:
            result.append(words_of_emotion[ws.index(w)])
    return result
1
2
3
4
5
6
7

而给定一个句子，则先进行分词，取出句子中的前 20 个关键词，做前面的查表分析，将所有得到的关键词情感累加，就得到了句子的情感：

def emotion_count(self, text) -> Emotions:
    emotions = empty_emotions()

    keywords = jieba.analyse.extract_tags(text, withWeight=True)

    for word, weight in keywords:
        for w in self._find_word(word):
            emotions[w.emotion] += w.intensity * weight

    return emotions
1
2
3
4
5
6
7
8
9
10

如果你不喜欢看文字叙述，也不爱阅读代码，那么可以数学一下。这里我们使用 TF-IDF 算法抽取关键词：

• TF（term frequency, 词频）：字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降：$\mathrm{t}\mathrm{f}(t,$