2017.07.31 会议记录
与会人员 ：吴老师、陈恺、章奕林、姬佩琳、孙时中
- 章奕林介绍神经网络模型：将乐曲转化为 8*8 矩阵，可通过机器学习的方法探究该矩阵和情感的关系。输入矩阵，输出情感。新的模型使用神经网络，输入转移矩阵，输出七维向量（因为乐曲标注中共有 7 种情感），有这个情感输出 1，没有为 0。神经网络模型存在的问题：1.输出结果为小数，例如输出 0.3 估计成 0 或 1 是一个问题，需要判断标准；2.数据量不足，乐曲仅有 400 多首，数据量不够多。
- 吴老师的建议：之前使用的聚类的方法是无监督学习，这次神经网络模型用到标注的学习过程。1.输出结果为离散向量是神经网络的大忌。处理方法：建立模糊集或粗糙集来处理离散输出。2.不用输出离散向量，建模输出成连续的数的形式，训练上更简单。3.神经网络设定神经元的结构，设定参数选取等方面有很多学问，可以尝试选择更合适的输入，如输入作者和年代，可看出年代、作者哪个因素影响更大。
- 章奕林提出问题：标注偏斜，如热情标注特别多，愤怒少， 导致精度过低。吴老师针对这个问题给出的建议：选择更平均的训练集；扩大数据量方法：将长曲子拆开，不光按照乐章拆，乐曲中情绪变化较大，比如按照乐句进行拆分，可扩大训练集。神经网络可以不用 BP 的方法，用 deeplearning 建模方法，这样可以借鉴 google 的方法。
- 陈恺继续用聚类的方法做分析，并将其与现有标注进行对照。用两个方法同时做，可以分析出问题的原因。
- 论文投稿方面：十月底为 deadline，跟已有的标注，用聚类的方法做比较。