符号音乐生成和信息检索的自然语言处理方法：一项调查
内容提要
本文综述自然语言处理与深度学习在音乐知识发现中的应用，涵盖文本挖掘、信息抽取、知识图谱和情感分析，涉及符号音乐分词、MusicBERT预训练、N-gram Transformer及生成模型作曲，并探讨神经符号结合、人机共创与用AI生成音乐数据训练分类器等方法。
延伸解读
符号音乐分词：任务性能的关键变量
文章指出，将符号音乐（如MIDI）转换为令牌序列是深度学习理解音乐的第一步，而分词方法直接影响模型表现。2023年10月的研究比较了常见分词方法及时间和音符长度表示的影响，发现直接信息在不同任务中能带来更好结果。这提示研究者和开发者：在设计音乐理解模型时，分词策略并非无关紧要的预处理，而是需要针对具体任务进行选择和优化的核心环节。
预训练模型在符号音乐中的迁移路径
文章综述了MusicBERT、NG-Midiformer以及BERT/GPT-2/BART等预训练模型在符号音乐理解与生成中的应用。MusicBERT通过OctupleMIDI编码和小节级掩蔽策略，在旋律完成、伴奏建议等任务中表现优越；NG-Midiformer则利用N-gram Transformer融合局部序列信息。这些案例表明，自然语言处理中的预训练与微调范式正被有效迁移到音乐领域，但需要针对音乐符号的特性设计专门的编码与掩蔽机制。
生成音乐作为训练数据：机遇与验证需求
文章提到一项初步实验，利用MusicGen生成超过5万条以流派为条件的文本描述和音乐片段，构建完全人工的数据集来训练流派分类器，结果显示模型能学到流派特征并在真实录音上泛化。这为音乐信息检索提供了低成本扩充数据的新思路，但文章也强调这只是初步结果，人工数据与真实音乐之间的分布差异、以及生成质量对下游任务的影响，仍需进一步验证。
人机共创与神经符号：从复制到协作的转向
文章指出，现有生成音乐研究多集中于风格复制和转换，较少涉及人机共同创作与评估。2024年2月的综述讨论了音乐表征、启发式算法及人类与自动化评估措施，并探讨了适合实时互动的方法。同时，神经符号学习尝试结合符号主义与连接主义，通过弱监督推理处理表格查询、句法结构等任务。这两条线索共同指向一个趋势：音乐AI正从单纯生成转向可解释、可交互的协作系统。
Q&A
自然语言处理在音乐知识发现中有哪些应用？
自然语言处理可用于音乐知识发现的多个阶段，包括文本编制、信息提取、知识图谱生成和情感分析。这些方法能够利用书面形式保存的大量音乐知识，实现自动音乐知识发现。
符号音乐理解中常用的分词方法有哪些？
符号音乐理解中，常见的分词方法是将音乐作品（主要是MIDI格式）转换为预定义令牌的序列，如音符音高、音符速度和和弦。此外，还有研究分析了时间和音符长度表示对深度学习模型性能的影响。
MusicBERT在符号音乐理解中有什么优势？
MusicBERT是一种预训练模型，用于符号音乐理解。它采用OctupleMIDI编码和小节层面的掩蔽策略。实验证明，MusicBERT在旋律完成、伴奏建议、流派和风格分类等四项任务中具有优越性。
如何利用AI生成音乐数据来训练音乐信息检索模型？
可以使用基于人工智能的生成音乐系统（如MusicGen）为音乐信息检索任务生成训练数据。例如，通过生成以流派为条件的文本描述，创建覆盖多种流派的音乐片段，然后训练流派分类器。初步结果表明，模型能从人工音乐中学习流派特征，并推广到现实世界录音。
神经符号学习方法在音乐领域有什么应用？
神经符号学习方法结合了符号主义和连接主义，通过强化学习或其弱化版本实现弱监督推理。该框架已成功应用于表格查询推理、句法结构推理、信息抽取推理和规则推理等任务，也可用于音乐领域的推理任务。
预训练模型如何用于文本到音乐的生成？
研究首次尝试使用BERT、GPT-2和BART等公开可用的预训练模型生成完整且语义连贯的音乐曲谱。实验结果表明，使用预训练检查点在文本到音乐生成任务中具有显著改进。
