1.引言
当前信息社会对歌曲的需求与日俱增，各种智能歌曲搜索和推荐系统逐渐涌现。歌曲情感分类是智能歌曲搜索和推荐的关键技术，目标是赋予歌曲特定的情感标签，以方便用户搜索或者系统推荐。近年来，歌曲情感分类首先在音频信号处理研究中涌现，人们试图借助Mel倒谱系数(MFCC)从音频信号中提取可能会反映情感的音频特征（例如强度、频谱质心、能量、节奏、速度等），再借助机器学习算法实现情感分类。
歌曲以多种媒体表达情感，包括音乐、演唱和歌词等。因此，仅以歌词判定歌曲情感存在一定片面性。尤其是随着歌曲形式的不断推陈出新，歌词所表达的情感有时依赖于歌手对歌曲的演绎风格，二者甚至会发生偏差。某些歌曲从歌词看并无明显情感倾向，但经过歌手演绎后，能表达强烈的情感。之前有学者在进行相关研究前，对歌曲进行了调查，结果显示中文歌曲中只有不到5%的流行歌曲属于这种类型。所以，本文以歌词为歌曲情感的分析依据，以自然语言处理技术判定歌曲情感。
歌曲情感分析的依据是情感模型，即对情感类别的预设。本文采取流行的Thayer情感模型，分别从能量和压力两个坐标轴将歌曲情感划分为两类，从而形成“满足(contentment)”、“沮丧(depression)”、“焦虑(anxious)/狂乱(frantic)”和“生气勃勃(Exuberance)”四类情感。有学者的实验证明，音频信号在能量高低的判定上具有较高准确度，而难以在压力大小进行判定。因此本文只针对压力大小的判定展开基于歌词的研究，试图从歌词中分析歌曲所表达的情感压力水平，将歌曲情感定义为“轻松(light-hearted)”和“压抑(heavy-hearted)”两类。这同本文观点极性分析中的“积极”和“消极”有相似之处。
2.向量空间模型构建
2.1设计思路
首先将歌词表示为向量空间模型，然后以朴素贝叶斯和支持向量机算法实现歌曲情感分类。在前人实验的基础上总结发现，基于词汇的向量空间模型（w-VSM）在歌词文本表示上存在如下问题：
（1）尽管有很多算法可用于特征选择，但w-VSM无法消除某些与情感表达无关的词汇特征，这些特征不会对情感分析起到作用。
（2）歌词中很多情感词汇在实际使用时存在歧义。歧义在w-VSM中未经适当消解而直接参与情感分析，会对结果形成影响。
（3）否定词和修饰词在歌词中频繁出现，他们对情感的增强、削弱和置反作用在w-VSM中无法体现。
（4）歌词往往比较短，平均在 50 ～ 80 个词左右，这导致w-VSM严重的数据稀疏问题。
针对上述问题，有学者提出情感向量空间模型(s-VSM)，以情感单元作为特征提取对象，以情感单元的统计量作为情感特征。情感向量空间模型(s-VSM)遵循如下设计原则：
（1）只考虑情感相关词汇对情感分析的影响。
（2）情感词汇需在语义上下文中进行必要消歧后才用于情感分析。
（3）考虑否定词和修饰词对情感的置反、增强和削弱影响。
基于上述设计原则，参考了之前学者情感向量空间模型的设计，本文也将情感单元作为情感特征定义的基本元素。下面提出本文对情感单元的形式化定义。
2.2形式化定义
情感词典(L)可描述为三元组：
L ={C, N , M};
C ={ci}, i =1 , …, I ; N ={nj}, j =1 , …, J ; M ={mt}, t =1 , … , T
其中C代表情感词集，N代表否定词集，M代表程度词集。这些词汇可从当前主流的词典中获取，每个情感词都被赋予积极或消极的极性。给定一篇歌词W：
W ={wh}, h =1 , … , H
可借助情感词典将 W 转换为情感单元集合:
U ={uv}={ci , v , nj , v , mt , v}
ci, v∈W∩C ; nj , v∈W∩N; mt , v∈W∩M
其中 ci , v ，nj , v和mt , v出现在约定大小（每一行）的文本上下文窗口中。
实际应用中，否定词、修饰词与情感词存在依赖关系。以最简单的情感判断为例，每一行歌词中出现一个积极情感词+1分，出现一个消极情感词-1分；但情感词前面通常会有一个程度修饰词，“极好”就比“较好”或者“好”所表达的情感更强烈，所以需要在找到情感词后往前找一下有没有程度修饰，并给不同的程度一个权值；情感词前面有时也有有否定词出现，比如”不“，”不能“这些词。而且如果否定词出现的次数是单数，那么情感置反，情感分值*-1，如果是偶数，那么情感就没有置反；另外由于中文在情感表达上的复杂性，一句话里面可能有褒有贬，不能只用一个分值来表示它的情感倾向，敏感度太高了。因此本文在向量空间模型的构建中，每一个情感单元都有一个积极情感分值和一个消极情感分值，同时表示这个情感单元的情感倾向。
至此，情感单元覆盖了上下文关系和依赖关系，情感词的大部分歧义可被消除，定义如下情感向量空间模型：
VSi = (f1i(U) , f2i(U) , … , f Ti(U))
其中VSi代表第i篇歌词所对应的情感向量，fji表示第j个情感特征在第i篇歌词中出现的次数。中文歌词表达的情感往往存在铺陈、递进、高潮等不同阶段，用“行”作为上下文单位更适合歌词情感分析。
2.3 情感特征提取
本文通过Python爬虫爬取了网易云音乐网站上被收听次数最多的中文歌单中的192首中文歌词，按照严格的实验标准，情感压力类别应该由两位专家人工判定，但由于资源不足，两类情感压力类别“轻松”和“压抑”均是根据网易云音乐歌曲下听众的普遍评论来进行主观判定，会存在部分误差。本文采取哈尔滨工业大学分词工具LTP进行分词，采用的情感词典大部分来自知网的HowNet（包含正面情感词语、负面情感词语、正面评价词语、负面评价词语，6种级别的程度词，以及否定词），为了补充又融合了台湾大学的情感词典（包含积极情感词和消极情感词）。
提取歌词中情感单元的具体过程如下（代码详见mapper.py）：由于爬取到的歌词文本每一行表示一句，已经完成分句，直接进行分词；扫描识别情感词，记录积极还是消极，以及出现的位置；往情感词前扫描查找程度词，找到即停止扫描，为程度词设权值，乘以情感值；往情感词前扫描查找否定词，找到全部否定词，若数量为奇数，则乘-1置反，若为偶数，乘1；计算每首歌每一句歌词的积极情感值和消极情感值，用数组记录，得到每首歌的情感单元。去重得到情感特征集合之后，用向量形式表示每首歌。
3.歌词情感分类方法
在将歌曲表示为情感向量后，本文随机选取了154（80%）首歌作为训练集生成分类器，剩下的32（20%）首歌作为测试集，再利用分类器对测试集歌曲进行情感分类。，本文的歌词情感分类属于二元分类，采取了Scikit-Learn库中的朴素贝叶斯和支持向量机两种分类算法，Scikit-Learn包含有完善的文档和丰富的机器学习算法。
3.1朴素贝叶斯
朴素贝叶斯分类器是一个以贝叶斯定理为基础，广泛应用于情感分类领域的分类器。本文采用的朴素贝叶斯分类器类别是多项贝叶斯(Multinomial NB)，这个分类器以出现次数作为特征值，某项情感特征（[积极情感分值，高级情感分值]）在某首歌曲中可能出现多次，符合歌词情感值的分布。其他的朴素贝叶斯分类器如高斯贝叶斯(Gaussian NB)适用于高斯分布的特征，而伯努利贝叶斯(Bernoulli NB)适用于伯努利分布的特征。
多次实验得到的分类准确率均在70%以上，详细实验结果如图1所示：
3.2支持向量机
支持向量机(SVM)，是把数据映射到多维空间中以点的形式存在，然后找到能够分类的最优超平面，最后根据这个平面来分类。SVM能对训练集之外的数据做很好的预测、泛化错误率低、计算开销小、结果易解释，但其对参数调节和核函数的参数过于敏感。多次实验得到的分类准确率在66%左右，详细实验结果如图2所示：
4.结语
从F值和分类准确率来看，在本文的歌词情感分类实验中，朴素贝叶斯分类算法优于支持向量机算法。本文还存在很多不足，训练集和测试集的数据偏少，而且情感分类是带有主观色彩的分类准则，个人标注的两类情感压力类别“轻松”和“压抑”存在主观误差，情感特征的提取方法导致向量偏稀疏等，都会导致实验结果存在偏差。
5.参考文献
[1] 夏云庆,杨莹,张鹏洲,刘宇飞. 基于情感向量空间模型的歌词情感分析[J]. 中文信息学报,2010,24(01):99-103.
[2] 郑亚斌,刘知远,孙茂松. 中文歌词的统计特征及其检索应用[J]. 中文信息学报, 2007,(05):61-67.
相关代码和情感词典详见：
https://github.com/leonaxiongxin/lyric-emotional-analysis
