针对歌词文本中特征词位置对音乐情感分类的影响问题，文中使用层次分析法来进行特征词在不同位置的权重分析，并对歌词所提取的特征向量进行修正。同时，与音频信号所提取到的特征向量进行多模态数据融合，使用深度置信网络已有监督训练的方式，分析混合融合后的特征向量与音乐情感之间的联系，构建出基于特征词位置因素的音乐情感智能分类算法。测试与实验结果表明，基于特征词位置因素的音乐情感智能分类算法在5种音乐情感样本的测试下，最低准确率为80.1%，平均准确率为83.5%，明显优于未采用位置因素修正的算法，具有良好的有效性与可行性。

FMA 是音乐分析数据集，由整首 HQ 音频、预计算的特征，以及音轨和用户级元数据组成。

教育资料

基于前向神经网络多特征融合算法的音乐情感鉴赏分类.pdf

基于多模式特征的音乐情感回归

深度发送 项目描述 该项目将基于唤醒价情感模型（又称为）分析用户上传的音乐文件。 唤醒代表音乐对人耳的强烈或“刺激性”，从平淡而放松的感觉到强烈而令人振奋的感觉。 此处的价表示音乐听起来多么令人愉悦或多么悲伤。 这个定义比定义要窄，但是对于机器学习模型来说更容易分类。 此外，该项目还实现了节奏检测和音乐流派检测的功能。 Web框架： ， 涉及技能：HTML，CSS，javascript，python 放大细节 节奏，唤醒和化合价检测：音乐原始数据的中间50％被分为5秒帧，步长为0.5秒。 然后将每个帧分成较小的25ms子帧，然后将其转换为MFCC（梅尔频率倒谱系数）阵列。 最后，将最初为矩

关于情感识别方面的论文，很详细，这方面研究的可以看看