随着数字音乐产业的发展,歌单在音乐平台消费中扮演着越来越重要的角色。但目前大多热门歌单仍由人工创建,不仅耗时,还需音乐知识,因此需要一套生成系统来高效地创建歌单。这时主流的推荐算法在缺乏用户数据以及推荐新项目的情况下并不适用,而解决这类冷启动问题的办法一般是分析歌曲共有的语义属性,建立音乐与标签的关系。但对于语种、风格、场景、情感和主题等不同的标签,又存在着“语义鸿沟”等诸多难题,且以往人工设计的短时音频特征不足以解决这样的多标签分类问题,需要找到有效的音乐特征提取方法。为了解决上述问题,本课题主要完成的工作如下:1.设计了一种语义更丰富的音乐特征提取算法。通过利用垂直滤波器来提取梅尔声谱图中音色相关信息,利用帧级注意力机制提取出长短时依赖信息,利用分层组合提取出不同层所包含的信息,利用元数据等信息拼接得到多维音乐特征,以此实现音乐相关特性的充分挖掘,并在AotM-2011数据集上验证了模型性能,算法的PR-AUC指标相对以往最优模型提升了 0.29%。2.设计了 一种更精确的音乐自动标记算法。通过自上而下的方式捕捉音乐与层次结构中每个标签之间的关联,建立了不同层次之间的依赖关系模型,同时设计了一种结合全局和局部损失的混合方法,并利用投票机制来计算歌曲各片段的综合评分,从而得到歌曲和歌单更精确的标签,并在FMA数据集上验证了模型性能,算法的ROC-AUC指标相对以往最优模型提升了 2.28%。3.设计了一种歌单自动生成方案。根据输入的不同分为两种情况:其一,已知歌单标签,根据歌曲热度等外部因素来生成歌单;其二,以歌搜歌,利用其特征向量,进行歌曲的相似度搜索,从而填充歌单,实现歌单的自动生成。然后基于上述方案实现了相应的歌单生成系统,并通过算法组件封装和前端页面展示等方面验证了其有效性。