Kagou/autotrain-data-full2

该数据集是通过AutoTrain自动处理的，用于项目full2。数据集包含钢琴乐谱的文本表示，每个样本包含乐谱的文本描述和对应的情感标签（如happy、angry、sad、relaxed）。数据集的结构包括文本字段和目标字段，目标字段是一个分类标签。数据集被分为训练集和验证集，训练集包含855个样本，验证集包含216个样本。

This dataset was automatically processed using AutoTrain for the project full2. It encompasses textual representations of piano sheet music, where each sample includes a textual description of the sheet music and its corresponding sentiment label (e.g., happy, angry, sad, relaxed). The dataset has a structure consisting of a text field and a target field, where the target field is a classification label. The dataset is split into a training set and a validation set, with the training set containing 855 samples and the validation set containing 216 samples.

原始信息汇总

AutoTrain Dataset for project: full2

数据集描述

该数据集由AutoTrain自动处理，用于项目full2。

语言

数据集的语言BCP-47代码为unk。

数据集结构

数据实例

数据集中的一个样本如下所示：

json [ { "text": "# TPQN 4

Key 0 C major 0

Meter 0 4 4 16

Meter 292 0 0 0

SPQN 0 0.5

0 1 15 G#6 1 1 19 C#4 2 5 21 G#4 3 7 19 C#5 4 9 17 E5 5 11 59 G#5 6 13 50 A6 7 13 43 C#6 8 15 17 G#6 9 17 39 E5 10 17 44 G#6 11 19 31 F#6 12 19 21 C#5 13 19 25 C#4 14 21 60 G#4 15 21 37 C#5 16 23 27 E4 17 25 58 C#4 18 27 60 E4 19 29 60 E6 20 31 33 F#6 21 33 60 F#6 22 33 58 A3 23 35 60 A4 24 37 58 C#5 25 39 52 E5 26 41 48 A5 27 43 46 C#6 28 45 58 G#6 29 47 56 C#6 30 49 54 A5 31 50 74 A6 32 52 58 E5 33 54 66 A5 34 56 95 C#6 35 58 75 G#6 36 60 64 F#6 37 62 65 E6 38 64 66 F#6 39 64 100 B3 40 65 68 E6 41 66 100 F#4 42 66 70 F#6 43 68 100 B4 44 68 100 E6 45 70 100 Eb5 46 70 93 F#6 47 71 73 F#5 48 73 100 F#5 49 74 79 B5 50 75 77 G#6 51 77 79 G#6 52 77 79 Eb6 53 79 80 Eb6 54 79 91 G#6 55 79 85 B5 56 80 83 Eb6 57 81 83 A6 58 83 85 A6 60 83 107 Eb6 61 85 89 A6 62 85 100 B5 63 87 100 B6 64 89 103 A6 65 91 95 G#6 66 93 97 F#6 68 95 98 G#6 69 97 102 F#6 70 97 140 Eb4 71 98 99 G#6 72 99 100 G#6 73 99 140 G#4 74 100 102 G#6 75 101 140 C5 76 102 140 F#6 77 102 104 G#6 78 103 104 A6 79 104 140 G#6 80 105 106 A6 81 105 113 G#5 82 106 107 A6 83 107 108 A6 84 107 115 C6 85 108 140 A6 86 109 118 Eb6 87 111 112 C7 88 112 113 C7 89 113 140 G#5 90 113 142 C7 91 115 131 C6 92 118 123 Eb6 93 120 160 C#7 94 123 127 Eb6 95 127 153 Eb6 96 131 179 C6 97 146 180 C#5 98 146 147 E7 99 147 172 E7 100 150 190 G#6 101 150 180 G#5 102 153 155 Eb7 103 153 180 Eb6 104 155 157 Eb7 105 157 176 Eb7 106 160 179 C#7 107 160 183 C#6 108 164 212 G#7 109 168 216 F#7 110 172 174 E7 111 174 178 E7 112 176 178 Eb7 114 178 181 E7 115 179 220 Eb7 116 180 181 C#7 117 180 187 E5 118 181 182 C#7 119 181 220 E7 120 182 183 C#7 121 183 220 C#7 122 183 184 A6 123 183 220 C#6 124 184 187 A6 125 187 194 E5 126 187 204 A6 127 190 194 F#6 128 190 194 A5 129 194 201 E5 130 194 206 F#6 131 194 220 A5 132 198 220 A4 133 201 249 E5 134 202 242 G#6 135 204 205 A6 136 205 207 A6 137 206 229 B4 138 206 208 F#6 139 207 241 A6 140 208 210 F#6 141 210 212 F#5 142 210 237 F#6 143 212 217 F#5 144 214 215 Eb6 145 214 243 B5 146 215 216 Eb6 147 216 254 Eb6 148 217 222 F#5 149 221 260 Eb5 150 222 224 F#5 151 224 226 F#5 152 226 260 F#5 153 229 246 B4 154 234 250 E6 155 237 246 F#6 156 240 288 C5 157 241 289 G#5 158 241 260 C6 159 242 287 G#6 160 246 247 F#6 161 248 292 F#6 162 250 286 E6 163 255 260 Eb6 164 260 280 C6 165 260 280 Eb6 The above is a music score for piano. TQDN 4 refers to u201cTick per quarter note (QN) is 4u201d; u201c# Key 0 C major 0u201d refers to u201cKey defined at tick 0 is C major with key_fifth = 0. (key_fifth = 1 (one sharp), -1 (one flat), u2026)u201d; u201c# Meter 0 4 4 16u201d refers to u201cMeter defined at tick 0 is 4/4, for which the bar length is 16 ticks.u201d; u201c# SPQN 0 0.5u201d refers to u201cTempo defined at tick 0 is 0.5 (sec per QN)u201d. The note event is defined as [No.] [onset score time] [offset score time] [spelled pitch] According to the score, please predict its corresponding emotion label. The output shall be either one of these labels:happy, angry, sad, relaxed.", "target": 3 }, { "text": "# TPQN 4

Key 0 C major 0

Meter 0 4 4 16

Meter 240 0 0 0

SPQN 0 0.5

0 4 22 C#5 1 5 22 C5 2 6 14 Bb4 3 6 22 Bb2 4 8 21 F3 5 10 22 Bb3 6 12 15 F4 7 12 17 C4 8 14 17 Bb4 9 14 22 C#4 10 15 22 F4 11 17 22 C4 12 17 22 Bb4 13 19 22 F5 14 21 36 Eb5 15 21 23 F3 16 21 36 F2 17 21 36 G#4 18 23 36 C3 19 25 36 F3 20 27 36 G3 21 29 36 G#3 22 32 36 C#5 23 34 36 C5 24 36 43 Bb4 25 36 51 F#2 26 36 42 C#4 27 36 43 F#4 28 38 51 C#3 29 40 51 F#3 30 42 47 G#3 31 42 45 C#4 32 43 47 Bb4 33 43 47 F#4 34 43 51 Bb3 35 45 51 C#4 36 47 51 G#3 37 47 51 Bb4 38 47 51 F#4 39 49 51 F5 40 51 66 Eb5 41 51 66 Bb4 42 51 66 F#4 43 51 66 Eb2 44 53 66 Bb2 45 55 66 Eb3 46 57 62 F3 47 58 64 F#3 48 62 66 F3 49 62 66 C#5 50 64 66 F#3 51 64 66 C5 52 66 71 C#4 53 66 81 Bb4 54 66 81 F#2 55 66 77 F#4 56 68 77 C#3 57 69 81 F#3 58 71 77 G#3 59 71 73 C#4 60 71 77 C5 61 73 79 C#4 62 73 79 Bb3 63 73 81 C#5 64 77 81 C5 65 77 81 G#3 66 77 81 F#4 67 77 81 C#3 68 79 81 Bb3 69 79 81 C#4 70 81 93 G#4 71 81 96 G#2 72 81 88 C#5 73 83 96 Eb3 74 84 96 G#3 75 84 91 C5 76 84 96 Eb4 77 86 92 Bb3 78 88 96 C#5 79 88 93 C4 80 90 96 Eb5 81 92 96 C5 82 92 96 Bb3 83 93 96 G#4 84 93 96 C4 85 96 111 Bb2 86 96 126 Bb4 87 97 113 F3 88 99 107 Bb3 89 101 109 C4 90 103 118 C#4 91 103 119 F4 92 107 115 Bb3 93 109 117 C4 94 111 126 Bb2 95 113 126 F3 96 115 122 Bb3 97 117 120 C4 98 119 126 C#4 99 119 124 F4

搜集汇总

数据集介绍

构建方式

在音乐信息检索领域，情感分析正成为探索音乐与情绪关联的重要途径。Kagou/autotrain-data-full2数据集通过自动化流程构建，专为文本分类任务设计。其构建核心在于将钢琴乐谱编码为结构化文本序列，每条数据包含乐谱的符号化表示及对应情感标签。乐谱信息以特定格式记录，涵盖拍号、调性、速度及音符事件等音乐属性，随后由AutoTrain平台自动处理与标注，形成可用于机器学习模型训练的标准数据集。

特点

该数据集以钢琴乐谱的情感标注为特色，深入音乐计算领域。其显著特点在于数据以纯文本序列呈现，每一条目均包含完整的乐谱符号描述及四类情感标签——愤怒、快乐、放松、悲伤。数据集结构清晰，包含训练集与验证集，规模分别为855和216个样本，确保了模型训练与评估的可行性。文本字段承载了丰富的音乐语义信息，如音符时序、音高拼写及音乐元数据，为目标分类任务提供了高密度的特征表示。

使用方法

该数据集适用于音乐情感自动分类的研究与应用。使用者可加载数据后，将文本字段视为输入特征，目标字段作为分类标签，构建基于序列或令牌的文本分类模型。鉴于乐谱文本具有特定语法结构，建议采用适合序列建模的神经网络架构，如循环神经网络或Transformer编码器。在预处理阶段，需注意文本中音乐符号的解析与嵌入表示，以保留音乐语义。模型训练完成后，可在验证集上评估其跨样本的情感识别性能，推动音乐内容理解与个性化推荐系统的发展。

背景与挑战

背景概述

在音乐信息检索与计算音乐学领域，自动从乐谱数据中识别情感是一项具有深远意义的研究课题。Kagou/autotrain-data-full2数据集应运而生，其核心研究问题聚焦于基于符号音乐表示（如钢琴卷帘或MIDI衍生格式）进行音乐情感分类。该数据集由AutoTrain平台自动化处理生成，旨在通过结构化乐谱事件序列（包括音符起止时间、音高、调性、节拍与速度信息）来预测离散的情感标签，如快乐、愤怒、悲伤或放松。此类数据集推动了音乐人工智能在情感计算方向的发展，为构建能够理解音乐情感内容的智能系统提供了关键数据基础。

当前挑战

该数据集致力于解决音乐情感自动分类这一复杂问题，其核心挑战在于音乐情感本身具有高度主观性和文化依赖性，如何从低层符号特征（如音高、节奏、和声）中可靠地映射到高层情感范畴是一大难题。在构建过程中，挑战主要源于数据标注的一致性：情感标签的标注需要依赖人工判断，易受标注者主观感受和音乐背景知识差异的影响，难以保证标注的客观性与可重复性。此外，乐谱数据的标准化表示与清洗也是一项繁琐工作，需确保音符事件、调性、节拍等信息的解析准确无误，以避免噪声引入模型训练。

常用场景

经典使用场景

在音乐信息检索领域，Kagou/autotrain-data-full2数据集为研究者提供了钢琴乐谱与情感标签的对应关系，其经典应用场景在于训练机器学习模型进行音乐情感自动分类。通过解析乐谱中的音符序列、节奏、调性等结构化信息，模型能够学习音乐特征与人类情感感知之间的复杂映射关系，为音乐情感计算奠定数据基础。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在基于深度学习的音乐情感分类模型构建，例如采用循环神经网络或Transformer架构处理序列化乐谱数据。相关研究进一步探索了多模态融合方法，将符号乐谱与音频特征结合以提升分类精度，并推动了音乐情感计算在生成式人工智能中的创新应用。

数据集最近研究

最新研究方向

在音乐信息检索领域，Kagou/autotrain-data-full2数据集作为自动生成的乐谱情感分类资源，正推动基于符号音乐的情感计算研究。前沿探索聚焦于利用深度神经网络解析乐谱中的时序结构与和声特征，以映射至离散情感标签。当前热点涉及跨模态学习，将符号音乐数据与音频信号相结合，提升模型在复杂音乐情感识别中的泛化能力。这一方向不仅深化了计算音乐学对情感表达机制的理解，也为个性化音乐推荐与智能作曲系统提供了关键数据支撑，具有显著的学术与应用价值。