音乐识别方法、音乐特征提取模型的训练方法及装置与流程

1.本公开涉及人工智能技术领域，尤其涉及音频处理和智能推荐技术领域，具体涉及一种音乐识别方法及装置、音乐特征提取模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.通常采用基于文本的搜索方式来搜索音乐，即，通过匹配用户输入的搜索词(例如音乐名、演唱者、演奏者、歌词等)与音乐库中的各个音乐的属性信息来得到搜索结果。在用户对待搜索的音乐不熟悉(例如用户不知道待搜索的音乐的名称、演唱者等信息)的情况下，上述搜索方式难以得到令人满意的搜索结果。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

5.本公开提供了一种音乐识别方法及装置、音乐特征提取模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
6.根据本公开的一方面，提供了一种音乐识别方法，包括：确定待识别音频中的音乐片段，音乐片段为包含音乐成分的音频片段；提取音乐片段的第一特征向量；以及基于第一特征向量，从音乐库中确定与待识别音频相匹配的至少一个目标音乐。
7.根据本公开的一方面，提供了一种音乐特征提取模型的训练方法，获取样本片段元组，其中，所述样本片段元组包括第一样本音乐片段和第二样本音乐片段，所述样本片段元组标注有匹配标签，所述匹配标签用于表示所述第一样本音乐片段和所述第二样本音乐片段是否属于相同的样本音乐；提取所述第一样本音乐片段的第一频谱特征和所述第二样本音乐片段的第二频谱特征；分别将所述第一频谱特征和所述第二频谱特征输入所述音乐特征提取模型，以得到所述第一样本音乐片段对应的第一样本特征向量和所述第二样本音乐片段对应的第二样本特征向量；基于所述匹配标签和所述第一样本特征向量与所述第二样本特征向量的距离，计算所述音乐特征提取模型的损失值；以及基于所述损失值，调整所述音乐特征提取模型的参数。
8.根据本公开的一方面，提供了一种音乐识别装置，包括：第一确定模块，被配置为确定待识别音频中的音乐片段，音乐片段为包含音乐成分的音频片段；提取模块，被配置为
提取音乐片段的第一特征向量；以及第二确定模块，被配置为基于第一特征向量，从音乐库中确定与所述待识别音频相匹配的至少一个目标音乐。
9.根据本公开的一方面，提供了一种音乐特征提取模型的训练装置，获取模块，被配置为获取样本片段元组，其中，所述样本片段元组包括第一样本音乐片段和第二样本音乐片段，所述样本片段元组标注有匹配标签，所述匹配标签用于表示所述第一样本音乐片段和第二样本音乐片段是否属于相同的样本音乐；提取模块，被配置为提取所述第一样本音乐片段的第一频谱特征和所述第二样本音乐片段的第二频谱特征；输入模块，被配置为分别将所述第一频谱特征和所述第二频谱特征输入所述音乐特征提取模型，以得到所述第一样本音乐片段对应的第一样本特征向量和所述第二样本音乐片段对应的第二样本特征向量；计算模块，被配置为基于所述匹配标签和所述第一样本特征向量与所述第二样本特征向量的距离，计算所述音乐特征提取模型的损失值；以及调整模块，被配置为基于所述损失值，调整所述音乐特征提取模型的参数。
10.根据本公开的一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器，该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述任一方面的方法。
11.根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行上述任一方面的方法。
12.根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述任一方面的方法。
13.根据本公开的一个或多个实施例，基于待识别音频中的音乐片段来进行音乐识别，能够避免对非音乐片段进行识别而造成的识别误差和多余的计算量，提高音乐识别的准确性和计算效率。
14.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
15.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
16.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
17.图2示出了根据本公开的实施例的音乐识别方法的流程图；
18.图3a示出了根据本公开的实施例的音频数据流中的音乐片段的示意图；
19.图3b示出了根据本公开的实施例的音频文件中的音乐片段的示意图；
20.图4示出了根据本公开的实施例的音乐特征提取模型的训练方法的流程图；
21.图5示出了根据本公开的一些实施例的音乐特征提取模型的示意图；
22.图6示出了根据本公开的另一些实施例的音乐特征提取模型的示意图；
23.图7示出了根据本公开的实施例的音乐识别过程的示意图；
24.图8示出了根据本公开实施例的音乐识别装置的结构框图；
25.图9示出了根据本公开实施例的音乐特征提取模型的训练装置的结构框图；以及
26.图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
28.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
29.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
30.在本公开中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
31.在用户对待搜索的音乐不熟悉(例如用户不知道待搜索的音乐的名称、演唱者等信息)的情况下，基于文本的音乐搜索方式难以得到令用户满意的搜索结果。因此，希望提供一种以音乐搜音乐的方法，即，用户输入一段音频，通过对该音频进行识别以确定该音频对应的目标音乐。
32.在相关技术中，通常提取用户输入的音频的整体特征，通过将该特征与音乐库中已存储的各音乐的特征进行匹配，确定该音频对应的目标音乐，然后将目标音乐的信息(例如音乐名称、演唱者/演奏者、词/曲作者、歌词等信息)返回给用户。但是，在上述方案中，用户输入的音频可能不完全是音乐。例如，用户输入的音频的前几秒可能仅仅是环境噪音，而不包含音乐成分。在这种情况下，直接对用户输入的音频整体进行识别，将导致识别结果不准，并且增加了计算量。
33.为此，本公开的实施例提供一种音乐识别方法和音乐特征提取模型的训练方法，能够实现准确、高效的音乐识别。
34.下面将结合附图详细描述本公开的实施例。
35.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
36.在本公开的实施例中，服务器120可以运行使得能够执行音乐识别方法和/或音乐特征提取模型的训练方法的一个或多个服务或软件应用。
37.在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
38.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
39.用户可以使用客户端设备101、102、103、104、105和/或106来进行音乐识别。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
40.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
41.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wi-fi)和/或这些和/或其他网络的任意组合。
42.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
43.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
44.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
45.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
46.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音乐文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
47.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
48.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
49.为了本公开实施例的目的，在图1的实例中，客户端设备101、102、103、104、105和106中可以包括用于音乐识别的客户端应用。客户端应用例如可以是运行前需要下载和安装的应用程序，也可以是可通过浏览器访问的音乐网站，还可以是运行于宿主应用中的轻量化的小程序，等等。该客户端应用可以提供基于音乐的各种功能，例如音乐播放、音乐上传/下载、基于文本的音乐搜索、本公开实施例提供的音乐识别功能等。与此相应地，服务器120可以是与该客户端应用一起使用的服务器。服务器120可以基于数据库130中已存储的音乐文件(即“音乐库”)来向客户端设备101、102、103、104、105和106中运行的客户端应用提供音乐服务。
50.在本公开的实施例中，服务器120可以向客户端设备101、102、103、104、105和106中运行的客户端应用提供音乐识别服务。
51.根据一些实施例，用户可以通过客户端设备101、102、103、104、105和106中运行的客户端应用，将待识别音频上传至服务器120，以发起音乐识别请求。服务器120响应于该音乐识别请求，执行本公开实施例的音乐识别方法，从已存储的音乐库中确定与待识别音频相匹配的至少一个目标音乐，并将目标音乐的信息(例如音乐名称、演唱者/演奏者、词/曲作者、歌词等)返回给客户端设备，以便客户端设备将目标音乐的信息呈现给用户。具体地，目标音乐可以是由演唱者演唱的歌曲，也可以是纯音乐等。
52.根据另一些实施例，服务器120可以将音乐库本身或者将音乐库的地址或访问接口提供给客户端应用，以便客户端应用能够直接访问音乐库。在客户端能够直接访问音乐
库的情况下，用户可以将待识别音频输入客户端设备101、102、103、104、105和106中运行的客户端应用中，由客户端应用来执行(也即，由客户端设备来执行)本公开实施例的音乐识别方法，从音乐库中确定与待识别音频相匹配的至少一个目标音乐，并将目标音乐的信息呈现给用户。
53.图2示出了根据本公开实施例的音乐识别方法200的流程图。方法200可以在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的客户端设备101、102、103、104、105和106)处执行。也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和106。
54.如图2所示，方法200包括：
55.步骤210、确定待识别音频中的音乐片段，音乐片段为包含音乐成分的音频片段；
56.步骤220、提取音乐片段的第一特征向量；以及
57.步骤230、基于第一特征向量，从音乐库中确定与待识别音频相匹配的至少一个目标音乐。
58.根据本公开的实施例，基于待识别音频中的音乐片段来进行音乐识别，能够避免对非音乐片段进行识别而造成的识别误差和多余的计算量，提高音乐识别的准确性和计算效率。
59.以下详细描述方法200的各个步骤。
60.在步骤210中，确定待识别音频中的音乐片段。
61.待识别音频通常是由用户输入的。在一些实施例中，可以将用户实时录制的音频数据流作为待识别音频。例如，用户可以对偶然听到的一首感兴趣的音乐进行录音，或者对自己的哼唱进行录音，录音所得到的音频数据流即为待识别音频。
62.在另一些实施例中，也可以将用户输入的音频文件作为待识别音频。具体地，用户可以直接输入音频文件本身，也可以指定音频文件的地址。例如，用户偶然听到一首感兴趣的音乐，但当时的网络环境较差，因此无法实时将录制的音频上传至服务器进行音乐识别。用户可以将感兴趣的音乐录制下来，形成音频文件。待网络环境恢复后，再上传音频文件以进行音乐识别，音频文件即为待识别音频。
63.待识别音频可以包括由一种或多种声源(即发声的物体)产生的音频信号。在本公开的实施例中，可以将每一种声源产生的音频信号记为待识别音频的一种成分。根据声源振动的规则与否，可以将音频的成分划分为音乐(或称“乐音”)和噪音两类。具体地，音乐指的是声源进行规则振动所产生的音频信号，噪音指的是声源进行不规则振动所产生的音频信号。
64.在一些情况中，待识别音频可能不完全是音乐。例如，用户输入的待识别音频中的某些片段可能仅仅是环境噪音，而不包含音乐成分。在本公开的实施例中，将包含音乐成分的音频片段记为“音乐片段”，将不包含音乐成分的音频片段记为“非音乐片段”。非音乐片段会影响音乐识别的准确性和效率。因此，在步骤210中，确定待识别音频中的音乐片段，并在后续步骤220、230中，基于步骤210中所确定的音乐片段来进行音乐识别，从而避免对非音乐片段进行识别而造成的识别误差和多余的计算量。
65.根据一些实施例，在待识别音频为音频数据流的情况下，可以按照以下步骤来确定待识别音频中的音乐片段：从音频数据流中依次截取预设时长的音频帧；对于所截取出
的每一个音频帧，检测音频帧是否包含音乐成分；响应于包含音乐成分的连续的多个音频帧的数量达到第一阈值，将多个音频帧之后的音频数据确定为音乐片段。本公开对第一阈值的值不作限制。
66.在上述实施例中，依次检测音频数据流中的各音频帧是否包含音乐成分。当检测到连续n个(n为第一阈值)音频帧均包含音乐成分时，将后续的音频数据作为待识别的音乐片段。基于该实施例，无需对已检测的音频帧进行缓存，从而可以节省存储空间。并且，无需对后续的音频数据进行分帧和音乐成分检测，从而可以提高计算效率和计算的实时性。
67.需要说明的是，本公开对预设时长的值不作限制。根据一些实施例，为了实现对音频数据流的实时音乐识别，可以将预设时长设置为一个较小的数值，例如10ms、20ms等。
68.根据一些实施例，可以采用预设的音乐检测模型来检测音频帧是否包含音乐成分。具体地，可以提取音频帧的频谱特征，然后将频谱特征输入预设的音乐检测模型，以得到音乐检测模型输出的该音频帧是否包含音乐成分的检测结果。
69.音频帧的频谱特征例如可以是频谱图、梅尔频率倒谱系数(mel frequency cepstral coefficents，mfccs)等，但不限于此。
70.音乐检测模型以音频帧的频谱特征为输入，输出该音频帧是否包含音乐成分的检测结果。具体地，音乐检测模型可以输出音频帧包含音乐成分的概率p。若概率p大于等于某一阈值p，则判定该音频帧包含音乐成分。
71.音乐检测模型可以是任意神经网络模型，本公开对音乐检测模型的结构不作限制。在一些实施例中，音乐检测模型例如可以实现为包括多个卷积层的卷积神经网络，每个卷积层的卷积核的步长例如可以是2，模型的最后一个卷积层输出音频帧包含音乐成分的概率p。
72.图3a示出了根据本公开实施例的确定音频数据流中的音乐片段的示意图。在图3a中，待识别音频为音频数据流300a，单个音频帧的时长(即上文的“预设时长”)为10ms，音频帧的数量的第一阈值为8。
73.在图3a所示的实施例中，首先从音频数据流300a中截取出10ms的音频帧301，提取音频帧301的频谱特征，将其频谱特征输入预设的音乐检测模型，音乐检测模型输出音频帧301包含音乐成分的概率p1。由于p1小于阈值p，因此判定音频帧301不包含音乐成分。随后，从音频数据流300a中截取下一个音频帧302，提取音频帧302的频谱特征，将其频谱特征输入音乐检测模型，音乐检测模型输出音频帧302包含音乐成分的概率p2。由于p2大于阈值p，因此判定音频帧302包含音乐成分(在图3a中，包含音乐成分的音频帧用阴影表示)。以此类推，依次判定音频帧303不包含音乐成分，音频帧304、305包含音乐成分，音频帧306、307不包含音乐成分，音频帧308-315包含音乐成分。在判定音频帧315包含音乐成分后，包含音乐成分的连续的音频帧(即音频帧308-315)达到8个(即达到第一阈值)，因此将后续的音频数据316确定为用于进行音乐识别的音乐片段。
74.根据另一些实施例，在待识别音频为音频文件的情况下，可以按照以下步骤来确定待识别音频中的音乐片段：将音频文件划分为多个音频帧；对于多个音频帧中的每一个音频帧，检测音频帧是否包含音乐成分；将包含音乐成分的一个或多个连续的音频帧确定为一个候选音乐片段，以得到音频文件对应的至少一个候选音乐片段；以及将上述至少一个候选音乐片段中包括的音频帧数量最多的候选音乐片段确定为音乐片段。
75.在上述实施例中，通过对音频文件整体进行分析来确定音乐片段，有利于提高音乐识别的准确性。
76.需要说明的是，本公开对划分音频文件所得到的各音频帧的时长不作限制。对音频文件进行划分所得到的音频帧的时长，与上文实施例中的对音频数据流进行截取所得到的音频帧的时长(即预设时长)可以相同，也可以不同。根据一些实施例，可以将音频文件的音频帧的时长设置为一个较大的数值(大于上文的预设时长)，例如1s，从而减少音频文件所包括的音频帧的数量，提高计算效率。
77.根据一些实施例，可以采用预设的音乐检测模型来检测音频帧是否包含音乐成分。具体地，可以提取音频帧的频谱特征，然后将频谱特征输入预设的音乐检测模型，以得到音乐检测模型输出的该音频帧是否包含音乐成分的检测结果。
78.音频帧的频谱特征例如可以是频谱图、梅尔频率倒谱系数(mel frequency cepstral coefficents，mfccs)等，但不限于此。
79.音乐检测模型以音频帧的频谱特征为输入，输出该音频帧是否包含音乐成分的检测结果。具体地，音乐检测模型可以输出音频帧包含音乐成分的概率p。若概率p大于等于某一阈值p，则判定该音频帧包含音乐成分。
80.音乐检测模型可以是任意神经网络模型，本公开对音乐检测模型的结构不作限制。在一些实施例中，音乐检测模型例如可以实现为包括多个卷积层的卷积神经网络，每个卷积层的卷积核的步长例如可以是2，模型的最后一个卷积层输出音频帧包含音乐成分的概率p。
81.图3b示出了根据本公开实施例的确定音频文件中的音乐片段的示意图。在图3b中，待识别音频为音频文件300b，单个音频帧的时长为1s。
82.在图3b所示的实施例中，首先将音频文件300b划分为个27个音频帧，即音频帧351-377。分别将音频帧351-377输入音乐检测模型，确定音频帧352-355、358-366、370、375-376包含音乐成分，其他音频帧不包含音乐成分。将音频帧352-355作为候选音乐片段1，将音频帧358-366作为候选音乐片段2，将音频帧370作为候选音乐片段3，将音频帧375-376作为候选音乐片段4。在4个候选音乐片段中，候选音乐片段2包括的音频帧数量最多，因此将其确定为用于进行音乐识别的音乐片段。
83.在通过步骤210确定待识别音频中的音乐片段后，可以执行步骤220，提取音乐片段的第一特征向量。
84.根据一些实施例，可以提取音乐片段的频谱特征；以及将该频谱特征输入预设的音乐特征提取模型，以得到音乐特征提取模型输出的该音乐片段的第一特征向量。
85.根据上述实施例，采用音乐特征提取模型，将音乐片段的频谱特征转化为第一特征向量，能够降低特征的维数(第一特征向量的维数小于频谱特征)，提高特征的信息密度和鲁棒性。基于第一特征向量来确定与待识别音频相匹配的目标音乐，能够提高音乐识别的准确性。
86.音乐片段的频谱特征例如可以是频谱图、梅尔频率倒谱系数等，但不限于此。
87.音乐特征提取模型可以是任意神经网络模型，本公开对音乐特征提取模型的结构不作限制。根据一些实施例，音乐特征提取模型可以通过下文的方法400训练得到。
88.根据一些实施例，可以进一步将音乐片段划分为时长相同(例如1s)的多个音乐子
片段，分别将每个音乐子片段的频谱特征输入音乐特征提取模型，得到各音乐子片段对应的第一子特征向量。相应地，音乐片段的第一特征向量为各第一子特征向量的集合。由此，可以统一第一特征向量对应的向量的长度(统一成与下文的第二特征向量相同的长度)，从而便于在后续步骤230中计算第一特征向量与第二特征向量之间的距离。
89.根据另一些实施例，也可以从音乐片段中裁剪出固定时长(例如1s)的音乐子片段，将该音乐子片段的频谱特征输入音乐特征提取模型，得到该音乐子片段对应的第一子特征向量。该第一子特征向量即为音乐片段的第一特征向量。由此，可以将第一特征向量调整为固定长度(与下文的第二特征向量的长度相同)，从而便于在后续步骤230中计算第一特征向量与第二特征向量之间的距离。
90.根据一些实施例，在通过步骤220提取出音乐片段的第一特征向量后，可以执行步骤230，基于第一特征向量，从音乐库中确定与待识别音频相匹配的至少一个目标音乐。
91.根据一些实施例，音乐库中包括多个候选音乐，候选音乐可以是任意类型的音乐，例如由演唱者演唱的歌曲、纯音乐等，但不限于此。步骤230可以进一步包括下述步骤232和234。
92.在步骤232中，对于多个候选音乐中的每一个候选音乐，执行下述步骤232a-232c：
93.在步骤232a中，获取候选音乐对应的多个第二特征向量，其中该候选音乐被划分为多个片段，多个片段与多个第二特征向量分别对应。
94.在步骤232b中，分别计算第一特征向量与上述多个第二特征向量中的每一个第二特征向量的距离。
95.在步骤232c中，基于上述距离，确定待识别音频与候选音乐的匹配度。
96.在步骤232a中，根据一些实施例，片段的第二特征向量例如可以通过提取该片段的频谱特征，然后将该片段的频谱特征输入预设的音乐特征提取模型来得到。可以理解，用于提取第二特征向量的音乐特征提取模型与前述用于提取第一特征向量的音乐特征提取模型是同一个模型。
97.在步骤232b中，根据一些实施例，第一特征向量与第二特征向量的距离可以是欧氏距离。在另一些实施例中，第一特征向量与第二特征向量之间的距离也可以是余弦距离、曼哈顿距离等。
98.在步骤232c中，根据一些实施例，可以将与第一特征向量的距离小于第三阈值的第二特征向量对应的片段作为匹配片段；以及将候选音乐中的匹配片段的数量与该候选音乐所包括的多个片段的总数量的比值确定为该候选音乐与待识别音频的匹配度。本公开对第三阈值的值不作限制。
99.例如，待识别音频中的音乐片段的第一特征向量为a，候选音乐music1包括10个片段，即seg
1-seg
10
，第三阈值为thr3。seg
1-seg
10
对应的第二特征向量分别为b
1-b
10
。分别计算第一特征向量a与第二特征向量b
1-b
10
的欧氏距离，得到a与b
1-b
10
的欧氏距离分别为d
1-d
10
，其中，d1、d4、d9小于第三阈值thr3，则相应的片段seg1、seg4、seg9为匹配片段，匹配片段的数量为3。候选音乐music1与待识别音乐的匹配度为匹配片段的数量与该候选音乐所包括的片段的总数量的比值，即3/10＝0.3。
100.基于上述实施例，通过将候选音乐中的匹配片段的数量与该候选音乐所包括的多个片段的总数量的比值确定为该候选音乐与待识别音频的匹配度，可以从整体上考量待识
别音频与候选音乐的匹配性，避免仅考虑单个片段的匹配性而造成的误差。
101.在通过步骤232(包括步骤232a-232c)得到待识别音频与各候选音乐的匹配度后，可以执行步骤234。
102.在步骤234中，将匹配度最大或匹配度大于第二阈值的一个或多个候选音乐作为至少一个目标音乐。进一步地，可以将至少一个目标音乐的信息(例如音乐名称、演唱者/演奏者、词/曲作者、歌词等)返回给用户。
103.需要说明的是，在步骤234中，目标音乐是根据匹配度来确定的，本公开不限制根据匹配度来确定目标音乐的具体策略。根据一些实施例，可以根据匹配度的排序情况来确定目标音乐。例如，可以将匹配度最大的一个候选音乐作为目标音乐，将匹配度最大的三个候选音乐作为目标音乐，等。
104.根据另一些实施例，也可以根据匹配度的数值来确定目标音乐。例如，将匹配度大于0.6(第二阈值)的候选音乐作为目标音乐，将匹配度大于0.7(第二阈值)的候选音乐作为目标音乐，等。
105.可以理解，按照设定的策略，可能会出现得不到目标音乐的情况。例如，设定将匹配度大于0.8的候选音乐作为目标音乐，但所有候选音乐与待识别音频的匹配度均小于0.8，因此不存在目标音乐。在这种情况下，可以向用户返回用于指示音乐识别失败的提示消息，例如“对不起，没有找到匹配的音乐”、“匹配失败，请再试一次”等。
106.此外，需要说明的是，本公开对第二阈值的值以及目标音乐的数量均不作限制。通常地，目标音乐的数量可以是1。
107.例如，经过步骤232，得到待识别音频与候选音乐music1–
music5的匹配度分别为0.3、0.7、0.65、0.66、0.2。可以将匹配度最大的一个候选音乐，即music2作为目标音乐。或者，将匹配度最大的两个候选音乐，即music2、music4作为目标音乐。或者，可以将匹配度大于0.6的候选音乐，即music2、music3、music4作为目标音乐。或者，可以将匹配度大于0.8的候选音乐作为目标音乐，但是在这种情况下，将不存在目标音乐，相应地，可以向用户返回“对不起，没有找到匹配的音乐”的提示消息。
108.根据一些实施例，方法200还可以包括：按照预设频率获取网络中的新增音乐；以及将新增音乐添加至音乐库中。由此，可以定时检测网络中的新音乐，并将检测到的新音乐添加至音乐库中，从而提高对新音乐的识别效果。
109.网络中的新增音乐例如可以通过脚本来获取。
110.根据本公开的实施例，还提供一种音乐特征提取模型的训练方法，基于该方法，能够得到用于准确提取音乐特征的音乐特征提取模型。基于模型提取出的音乐特征，能够实现准确、高效的音乐识别。
111.图4示出了根据本公开实施例的音乐特征提取模型的训练方法400的流程图。方法400例如可以在服务器处执行，也可以在客户端设备处执行。即，方法400的各个步骤的执行主体可以是服务器，也可以是客户端设备。
112.如图4所示，方法400包括：
113.步骤410、获取样本片段元组，其中，样本片段元组包括第一样本音乐片段和第二样本音乐片段，样本片段元组标注有匹配标签，匹配标签用于表示第一样本音乐片段和第二样本音乐片段是否属于相同的样本音乐；
114.步骤420、提取第一样本音乐片段的第一频谱特征和第二样本音乐片段的第二频谱特征；
115.步骤430、分别将第一频谱特征和第二频谱特征输入音乐特征提取模型，以得到第一样本音乐片段对应的第一样本特征向量和第二样本音乐片段对应的第二样本特征向量；
116.步骤440、基于匹配标签和第一样本特征向量与第二样本特征向量的距离，计算音乐特征提取模型的损失值；以及
117.步骤450、基于损失值，调整音乐特征提取模型的参数。
118.根据本公开的实施例，音乐特征提取模型可以将音乐的频谱特征映射到新的空间，形成该音乐在新的空间中的特征表示。在音乐特征提取模型的训练过程中，损失值是根据匹配标签和第一样本特征向量与第二样本特征向量的距离来计算的，从而使经训练的模型输出的特征能够很好地判断两段音乐是否匹配。进而，基于模型输出的特征来进行音乐识别，能够提高音乐识别的准确性。并且，相较于直接采用神经网络来输出两段音乐是否匹配(即是否属于同一个音乐)的方案来说，计算量更小，计算效率更高。
119.音乐特征提取模型可以是任意神经网络模型，本公开对音乐特征提取模型的结构不作限制。例如，音乐特征提取模型可以实现为卷积神经网络模型。
120.第一样本音乐片段和第二样本音乐片段可以是音乐库中的任一音乐的一个片段，并且第一样本音乐片段和第二样本音乐片段的时长相同(例如均为1s)。例如，可以将音乐库中的100个音乐作为样本音乐，将每个样本音乐划分为多个时长为1s的片段，然后从100个样本音乐划分得出的所有片段中任意选取两个片段，分别作为第一样本音乐片段和第二样本音乐片段。
121.根据一些实施例，第一频谱特征、第二频谱特征可以是频谱图、梅尔频率倒谱系数等，但不限于此。
122.根据一些实施例，样本片段元组可以包括且仅包括第一样本音乐片段和第二样本音乐片段。即，样本片段元组为二元组。在这种情况下，在步骤440中，可以按照下式(1)来计算音乐特征提取模型的损失值，即音乐特征提取模型的损失函数为下式(1)：
[0123][0124]
其中，n为样本片段元组的数量。y为匹配标签，若第一样本音乐片段和第二样本音乐片段属于同一个样本音乐，则y＝1；若第一样本音乐片段和第二样本音乐片段属于不同的样本音乐，则y＝0。d为第一样本特征向量与第二样本特征向量的距离(例如欧氏距离)。margin为预设的正常数。
[0125]
图5示出了在样本片段元组包括且仅包括第一样本音乐片段和第二样本音乐片段的情况下，音乐特征提取模型500的损失值的计算过程。如图5所示，将第一样本音乐片段的第一频谱特征ff1输入音乐特征提取模型500，得到第一样本音乐片段对应的第一样本特征向量sf1。将第二样本音乐片段的第二频谱特征ff2输入音乐特征提取模型500，得到第二样本音乐片段对应的第二样本特征向量sf2。基于第一样本特征向量sf1和第二样本特征向量sf2之间的距离d来计算音乐特征提取模型500的损失值(例如按照上式(1)来计算损失值)。
[0126]
根据一些实施例，样本片段元组除了包括第一样本音乐片段和第二样本音乐片段
之外，还可以包括第三样本音乐片段。其中，第三样本音乐片段在第一样本音乐片段和第二样本音乐片段属于相同的样本音乐的情况下与第一样本音乐片段属于不同的样本音乐，在第一样本音乐片段和第二样本音乐片段属于不同的样本音乐的情况下与第一样本音乐片段属于相同的样本音乐。
[0127]
相应地，方法400还包括：提取第三样本音乐片段的第三频谱特征；以及将第三频谱特征输入音乐特征提取模型，以得到第三样本音乐片段对应的第三样本特征向量。
[0128]
在样本片段元组为三元组的情况下，在步骤440中，可以基于匹配标签、第一样本特征向量与第二样本特征向量的距离和第一样本特征向量与第三样本特征向量的距离，计算音乐特征提取模型的损失值。例如，可以按照下式(2)来计算音乐特征提取模型的损失值，即音乐特征提取模型的损失函数为下式(2)：
[0129]
l＝max(d(a，p)-d(a，n) margin，0)
ꢀꢀꢀ
(2)
[0130]
其中，a为第一样本特征向量。p为第二样本音乐片段和第三样本音乐片段中，与第一样本音乐片段属于相同的样本音乐的样本音乐片段对应的样本特征向量。n为第二样本音乐片段和第三样本音乐片段中，与第一样本音乐片段属于不同的样本音乐的样本音乐片段对应的样本特征向量。例如，第二样本音乐片段与第一样本音乐片段属于同一个样本音乐，第三样本音乐片段与第一样本音乐片段属于不同的样本音乐，则p为第二样本特征向量，n为第三样本特征向量。d(a,p)表示a和p之间的距离，d(a,n)表示a与n之间的距离。margin为预设的正常数。
[0131]
图6示出了在样本片段元组包括第一样本音乐片段、第二样本音乐片段、第三样本音乐片段的情况下，音乐特征提取模型600的损失值的计算过程。如图6所示，将第一样本音乐片段的第一频谱特征ff1输入音乐特征提取模型600，得到第一样本音乐片段对应的第一样本特征向量sf1。将第二样本音乐片段的第二频谱特征ff2输入音乐特征提取模型600，得到第二样本音乐片段对应的第二样本特征向量sf2。将第三样本音乐片段的第三频谱特征ff3输入音乐特征提取模型600，得到第三样本音乐片段对应的第三样本特征向量sf3。基于第一样本特征向量sf1和第二样本特征向量sf2之间的距离d1，以及第一样本特征向量sf1和第三样本特征向量sf3之间的距离d2来计算音乐特征提取模型600的损失值(例如按照上式(2)来计算损失值)。
[0132]
在步骤450中，例如可以通过反向传播算法来调整音乐特征提取模型的参数。
[0133]
上述步骤410-450可以循环执行多次，直至音乐特征提取模型的损失值小于某一阈值时，音乐特征提取模型训练完成。
[0134]
根据一些实施例，在步骤420之前，方法400还可以包括：分别对第一样本音乐片段和第二样本音乐片段进行数据增强处理，以提高样本数据的多样性，从而提高模型的泛化能力和准确性。
[0135]
根据一些实施例，在样本片段元组还包括第三样本音乐片段的情况下，方法400还可以包括：对第三样本音乐片段进行数据增强处理。
[0136]
根据一些实施例，数据增强处理可以包括以下至少一种：添加噪声、添加室内混响效果、进行时间偏移、调整音量。由此，能够提高模型对于包含噪声、室内混响、时间偏移、不同音量的音乐的特征提取效果。
[0137]
根据一些实施例，可以按照以下步骤来添加噪声：将噪声数据(例如白噪声、马路
噪声、食堂噪声等)调整至与第一样本音乐片段(或第二样本音乐片段、第三样本音乐片段)相同的音量，然后与第一样本音乐片段(或第二样本音乐片段、第三样本音乐片段)进行叠加。即，在该实施例中，所叠加的噪声数据为加性噪声。
[0138]
根据一些实施例，可以通过将第一样本音乐片段(或第二样本音乐片段、第三样本音乐片段)与预设的混响激励函数进行卷积，来向第一样本音乐片段(或第二样本音乐片段、第三样本音乐片段)添加室内混响效果。
[0139]
根据一些实施例，进行时间偏移可以包括：将第一样本音乐片段(或第二样本音乐片段、第三样本音乐片段)在其所属的样本音乐中向左或向右偏移。例如，第一样本音乐片段为样本音乐1中的第2-3s的片段，可以将其向左偏移100ms，得到增强后的第一样本音乐片段为样本音乐1中的第1.9-2.9s的片段。
[0140]
根据一些实施例，调整音量可以包括：将第一样本音乐片段和第二样本音乐片段(和第三样本音乐片段)调整至相同的音量，即实现音量的归一化。
[0141]
根据一些实施例，方法400还包括：按照预设频率获取网络中的新增音乐；以及将新增音乐作为用于训练音乐特征提取模型的样本音乐。由此，可以实现样本音乐的扩充。基于扩充后的样本音乐来对音乐特征提取模型进行进一步的微调训练(fine-tuning)，能够提高音乐特征提取模型的准确性和泛化性。
[0142]
图7示出了根据本公开实施例的音乐识别过程的示意图。如图7所示，音乐抓取装置710定期抓取网络中的新增音乐，将新增音乐的信息(例如该新增音乐的标识、名称、演奏者/演唱者、词/曲作者、歌词、专辑名称、年代、风格等)存入音乐库720。并且，将新增音乐划分为多个片段(例如划分为多个时长为1s的片段)，提取每个片段的频谱特征，将频谱特征输入音乐特征提取模型730，得到各片段的第二特征向量。将第二特征向量与其对应的新增音乐的标识关联存储。
[0143]
例如，某个新增音乐的时长为60s，将其划分为60个时长为1s的片段，提取每个片段的频谱特征，将频谱特征输入音乐特征提取模型730，得到60个第二特征向量。将这60个第二特征向量与该新增音乐的标识关联存储。
[0144]
进一步地，可以基于新增音乐来对音乐特征提取模型730进行微调，以提高模型的特征提取效果。例如，可以将新增音乐作为样本音乐，将新增音乐中的各个片段作为样本音乐片段，将样本音乐片段送入数据增强装置720进行数据增强处理。数据增强处理例如包括添加加性噪声、添加室内混响效果、进行时间偏移、调整音量等。然后基于增强后的样本音乐片段来对音乐特征提取模型730进行微调。
[0145]
当用户输入待识别音频后，可以确定待识别音频中的音乐片段，并提取该音乐片段的频谱特征，将频谱特征输入微调后的音乐特征提取模型730，得到该音乐片段的第一特征向量。随后，音乐库查询模块740将第一特征向量与音乐库720中的各音乐的第二特征向量进行比对，以从音乐库中720中确定至少一个目标音乐，作为待识别音频的音乐识别结果。随后，将音乐识别结果返回给用户。
[0146]
根据本公开的实施例，还提供了一种音乐识别装置。图8示出了根据本公开实施例的音乐识别装置800的结构框图。如图8所示，装置800包括：
[0147]
第一确定模块810，被配置为确定待识别音频中的音乐片段，音乐片段为包含音乐成分的音频片段；
[0148]
提取模块820，被配置为提取音乐片段的第一特征向量；以及
[0149]
第二确定模块830，被配置为基于第一特征向量，从音乐库中确定与待识别音频相匹配的至少一个目标音乐。
[0150]
根据本公开的实施例，基于待识别音频中的音乐片段来进行音乐识别，能够避免对非音乐片段进行识别而造成的识别误差和多余的计算量，提高音乐识别的准确性和计算效率。
[0151]
根据本公开的实施例，还提供了一种音乐特征提取模型的训练装置。图9示出了根据本公开实施例的音乐特征提取模型的训练装置900的结构框图。如图9所示，装置900包括：
[0152]
获取模块910，被配置为获取样本片段元组，其中，所述样本片段元组包括第一样本音乐片段和第二样本音乐片段，所述样本片段元组标注有匹配标签，所述匹配标签用于表示所述第一样本音乐片段和第二样本音乐片段是否属于相同的样本音乐；
[0153]
提取模块920，被配置为提取所述第一样本音乐片段的第一频谱特征和所述第二样本音乐片段的第二频谱特征；
[0154]
输入模块930，被配置为分别将所述第一频谱特征和所述第二频谱特征输入所述音乐特征提取模型，以得到所述第一样本音乐片段对应的第一样本特征向量和所述第二样本音乐片段对应的第二样本特征向量；
[0155]
计算模块940，被配置为基于所述匹配标签和所述第一样本特征向量与所述第二样本特征向量的距离，计算所述音乐特征提取模型的损失值；以及
[0156]
调整模块950，被配置为基于所述损失值，调整所述音乐特征提取模型的参数。
[0157]
根据本公开的实施例，音乐特征提取模型可以将音乐的频谱特征映射到新的空间，形成该音乐在新的空间中的特征表示。在音乐特征提取模型的训练过程中，损失值是根据匹配标签和第一样本特征向量与第二样本特征向量的距离来计算的，从而使经训练的模型输出的特征能够很好地判断两段音乐是否匹配。进而，基于模型输出的特征来进行音乐识别，能够提高音乐识别的准确性。并且，相较于直接采用神经网络来输出两段音乐是否匹配(即是否属于同一个音乐)的方案来说，计算量更小，计算效率更高。
[0158]
应当理解，图8中所示装置800的各个模块或单元可以与参考图2描述的方法200中的各个步骤相对应，图9中所示装置900的各个模块可以与参考图4描述的方法400中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置800及其包括的模块以及单元，上面针对方法400描述的操作、特征和优点同样适用于装置900及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。
[0159]
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。例如，上面描述的计算模块940和调整模块950在一些实施例中可以组合成单个模块。
[0160]
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图8、图9描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，第一确定模块810、提取模块820、第二确定
模块820、获取模块910、提取模块920、输入模块930、计算模块940、调整模块950中的一个或多个可以一起被实现在片上系统(system on chip,soc)中。soc可以包括集成电路芯片(其包括处理器(例如，中央处理单元(central processing unit,cpu)、微控制器、微处理器、数字信号处理器(digital signal processor,dsp)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
[0161]
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0162]
参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0163]
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0164]
设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙
tm
设备、802.11设备、wi-fi设备、wimax设备、蜂窝通信设备和/或类似物。
[0165]
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如方法200或方法400。例如，在一些实施例中，方法200或方法400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的方法200或方法400的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他
任何适当的方式(例如，借助于固件)而被配置为执行方法200或方法400。
[0166]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0167]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0168]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0169]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0170]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0171]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0172]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0173]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。