摘要

音乐流派允许对具有共同特征的音乐作品进行分类。尽管这些类别并非互斥，但大多数相关研究传统上仍专注于将曲目归类到单一类别中。此外，这些类别（例如流行音乐、摇滚乐）对于某些应用来说过于宽泛。在本研究中，我们旨在通过使用三种不同的数据模态——音频、文本和图像——将音乐作品分类为多个且细粒度的标签来扩展这一任务。为此，我们介绍了MuMu，这是一个包含超过31,000张专辑的新数据集，这些专辑被分类到250个流派类别中。每张专辑我们都收集了封面图像、文字评论和音频曲目。此外，我们提出了一种基于结合前沿深度学习方法所学特征嵌入的多标签流派分类方法。实验结果表明，不同模态之间存在显著差异，这不仅为多标签流派分类引入了新的基准，还表明结合多种模态可以提高分类效果。