模型训练方法、多维评分方法、介质及装置与流程

技术特征：
1.一种模型训练方法，包括：确定训练数据，所述训练数据包括多个音频作品的多维特征属性数据，所述多维特征属性数据包括评分域属性数据、干声域属性数据和伴奏域属性数据；根据所述训练数据，进行模型训练，获得训练好的目标模型，所述目标模型用于对音频作品进行多维评分。2.根据权利要求1所述的模型训练方法，在所述根据所述训练数据，进行模型训练，获得训练好的目标模型之前，还包括：根据所述多维特征属性数据，以及所述多个音频作品的时长和生成方式，按照预设清洗规则，对所述多个音频作品进行数据清洗；所述确定训练数据，包括：根据数据清洗后获得的音频作品，确定所述训练数据，所述训练数据包括所述数据清洗后获得的音频作品的所述多维特征属性数据。3.根据权利要求2所述的模型训练方法，所述根据所述训练数据，进行模型训练，包括：对所述数据清洗后获得的音频作品的所述多维特征属性数据，进行特征量化和规范化处理，所述特征量化用于将非数值型属性数据转化为数值型属性数据，所述规范化用于对数据进行无量纲化处理，并将不同量纲的数据转换到同一量纲；根据特征量化和规范化处理后获得的音频作品的所述多维特征属性数据，进行模型训练。4.根据权利要求2所述的模型训练方法，所述音频作品是用户与音视频应用程序进行交互后生成的；所述预设清洗规则包括清洗无干声的音频作品、清洗评分低于预设评分阈值的音频作品、清洗不是用户与音视频应用程序进行交互后生成的音频作品，以及清洗时长低于预设时长阈值的音频作品。5.根据权利要求1至4任一项所述的模型训练方法，所述根据所述训练数据，进行模型训练，获得训练好的目标模型，包括：基于所述评分域属性数据，进行模型训练，获得第一评分模型；根据所述干声域属性数据和所述第一评分模型，进行模型训练，获得第二评分模型，并根据所述伴奏域属性数据和所述第一评分模型，进行模型训练，获得第三评分模型；基于所述第二评分模型和所述第三评分模型，确定所述目标模型。6.一种多维评分方法，包括：确定目标音频作品的多维特征属性数据，其中，所述多维特征属性数据包括评分域属性数据、干声域属性数据和伴奏域属性数据；根据所述多维特征属性数据和目标模型，获得所述目标音频作品的多维评分，其中，所述目标模型是根据权利要求1至5任一项所述的模型训练方法训练得到的；基于所述目标音频作品，推送所述多维评分。7.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至5任一项所述的模型训练方法，和/或，实现如权利要求6所述的多维评分方法。8.一种模型训练装置，包括：
数据确定模块，用于确定训练数据，所述训练数据包括多个音频作品的多维特征属性数据，所述多维特征属性数据包括评分域属性数据、干声域属性数据和伴奏域属性数据；模型训练模块，用于根据所述训练数据，进行模型训练，获得训练好的目标模型，所述目标模型用于对音频作品进行多维评分。9.一种多维评分装置，包括：属性确定模块，用于确定目标音频作品的多维特征属性数据，其中，所述多维特征属性数据包括评分域属性数据、干声域属性数据和伴奏域属性数据；多维评分模块，用于根据所述多维特征属性数据和目标模型，获得所述目标音频作品的多维评分，其中，所述目标模型是根据权利要求1至5任一项所述的模型训练方法训练得到的；评分推送模块，用于基于所述目标音频作品，推送所述多维评分。10.一种计算设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的模型训练方法，和/或，使得所述至少一个处理器执行如权利要求6所述的多维评分方法。

技术总结
本公开的实施方式提供了一种模型训练方法、多维评分方法、介质及装置，其中，多维评分方法包括：确定目标音频作品的多维特征属性数据，其中，该多维特征属性数据包括评分域属性数据、干声域属性数据和伴奏域属性数据，进而，根据上述多维特征属性数据和目标模型，获得目标音频作品的多维评分，并基于目标音频作品，推送上述多维评分。本公开的方法通过用于对音频作品进行多维评分的模型，实现对音频作品的多维评分，而且通过推送多维评分，便于相关人员了解音频作品的评分，提高用户体验。此外，本公开的实施方式提供了一种计算设备。公开的实施方式提供了一种计算设备。公开的实施方式提供了一种计算设备。


技术研发人员：杨义春 吕宗胜 何欢 郑友想 黄洋 张宇涛 张飞 陈少秋
受保护的技术使用者：杭州网易云音乐科技有限公司
技术研发日：2022.03.08
技术公布日：2022/6/16