音乐理论：音乐大数据与人工智能之间的缺失环节
Music Theory, the Missing Link Between Music-Related Big Data and Artificial Intelligence
Jeffrey A. T. Lupker, William J. Turkel
Digital humanities quarterly · 2021-03-05
开放获取音乐与舞蹈被引 6学科公认顶刊影响因子 ≈0.2
摘要
本文探讨了那些不仅能从大数据中学习，而且其学习方式能为音乐家或音乐理论家所理解的音乐人工智能算法。研究旨在通过融入基于音乐理论的原理，建立音乐大数据与人工智能算法之间更为有效的关联。研究表明，在数据预处理阶段运用基于音乐理论的技术，能够提升两种常用算法（调式预测与调性预测）的准确度。文章还提出了调整常用的克鲁姆汉斯尔-凯斯勒音级轮廓及其在预处理中的应用方式的方法，以此助力音乐大数据与调式或调性预测算法之间的衔接。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 本文主张将深厚的音乐理论知识嵌入人工智能算法，以此作为提升音乐大数据分析效能的关键路径。文章指出，传统的大数据分析方法往往忽视了乐理逻辑，导致在跨流派的调式与调性预测中出现系统性偏差。核心论点在于，通过让算法模拟音乐家的思维方式——例如重视导音在区分大小调中的作用并合理处理非调性素材——可以显著弥补纯数据驱动模型的不足。
- 研究方法
- 研究采用监督学习框架，利用 Spotify API 提供的约十万首歌曲及三十五万个高置信度片段的色度特征作为数据基础。在预处理阶段，创新性地使用中位数替代平均值以剔除打击乐器等噪声干扰，并引入修正后的 Krumhansl-Kessler (KK) profile 进行余弦相似度匹配。实验设计包含对 KK profile 中导音权重的调整实验，并通过自建的多流派人工标注真值集来验证模型性能。
- 学术贡献
- 本研究的主要贡献在于提出了一种融合乐理规则的数据预处理方案，有效解决了传统算法在区分关系大小调时因低估导音重要性而产生的误判问题。通过实证验证，该方法将调式预测的准确率大幅提升至远超现有商业 API（如 Spotify）的水平。此外，研究还确立了在数据处理中使用稳健估计量以及基于乐曲片段而非整曲进行分析的优越性，为音乐信息检索领域提供了新的技术参考。
- 存在局限
- 当前模型主要局限于西方音乐的大调与小调二分类任务，对于多调式、无调性或模糊调性等复杂情况仅能进行剔除而无法识别。尽管内部测试准确率极高，但在独立的外部人工审核数据集上准确率出现明显下降，暗示模型可能受限于训练数据自动标注的潜在噪声或泛化能力瓶颈。此外，关于调性预测的具体完整实验结果在提供的材料中未能完全展现。
- 进一步研究方向
- 后续研究将致力于开发能够识别和分类非大小调体系及其他特殊调式的算法，以突破当前仅限二元分类的局限。作者计划深入分析导致外部测试集误差的具体类型（如平行调误判或关系调混淆），并进一步优化针对这些特定错误的修正机制。同时，完善调性预测功能并将其与调式检测深度结合，以及探索该理论引导型方法在其他音乐 AI 任务中的应用，也是明确的未来工作重点。
本综述由 AI（GLM-5V-Turbo）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Music and Audio Processing