面向符号音乐生成与信息检索的自然语言处理方法综述
Natural Language Processing Methods for Symbolic Music Generation and Information Retrieval: A Survey
Dinh-Viet-Toan Le, Louis Bigo, Dorien Herremans, Mikaela Keller
ACM Computing Surveys · 2025-01-28
开放获取音乐与舞蹈被引 39被引前 10%影响因子 ≈25.4
摘要
音乐常被视作一种语言，因为二者在内容均可被表示为符号序列方面具有诸多相似性。在计算机科学领域，自然语言处理（NLP）与音乐信息检索（MIR）通过作者识别、内容生成等一系列相似任务体现了这种类比关系。这种相似性长期以来推动了将自然语言处理方法应用于音乐数据处理的研究，尤其是符号音乐数据，而Transformer神经网络的兴起更是显著强化了这一趋势。本综述从两个维度梳理了应用于符号音乐生成与信息检索的自然语言处理方法：首先，我们概述了受文本序列表示启发的符号音乐表示方法；随后，我们系统评述了大量从自然语言处理领域借鉴而来、用于各类音乐信息检索任务的深度学习模型，这些模型针对音乐数据的特性设计了专门的处理机制，我们亦从不同角度对其进行了分类与描述。最后，我们探讨了如何恰当运用自然语言处理工具来处理符号音乐数据，其中涉及的自然语言处理方法相关技术问题，为后续进一步研究如何更高效地适配自然语言处理工具于符号音乐信息检索领域开辟了诸多可能性。
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
- 音乐与自然语言作为序列化符号系统具有高度相似性，这为自然语言处理（NLP）方法在符号音乐生成与信息检索中的迁移应用提供了理论基础。该综述从符号音乐的序列化表征和计算模型两个核心维度，系统梳理了NLP技术在符号音乐领域的适配现状。同时强调，必须审慎对待文本与音乐在结构与功能上的本质差异，避免工具的生搬硬套。
- 研究方法
- 本文采用文献综述与分类学方法，沿“音乐表征”与“计算模型”两大轴线对现有研究进行系统归纳。在表征层面，梳理了基于时间切片与基于事件的分词策略及其向量化方式；在模型层面，剖析了循环模型与注意力模型在不同训练范式和架构下的音乐专属机制。此外，通过对比自然语言与音乐在结构及功能上的异同，对NLP工具的适用性进行了批判性探讨。
- 学术贡献
- 本文构建了符号音乐领域中NLP方法迁移应用的系统性分类框架，清晰界定了不同分词策略与模型架构的适用边界。研究不仅突出了计算模型中针对音乐特性设计的专属机制，还从认识论视角重新审视了音乐与自然语言的共性与差异。此外，通过维护开源协作仓库，为该快速演进的交叉领域提供了持续更新的学术资源。
- 存在局限
- NLP方法在处理符号音乐时面临数据可用性不足以及拉丁字母表与音乐字母表本质差异的技术限制。音乐相较于文本具有独特的多声部同时性、严格的时间网格以及音符的多模态特征，这使得直接套用NLP工具会引入“人工序列性”等问题。此外，音乐语法与自然语言语法在结构及功能上的根本差异，也限制了现有NLP模型的直接有效性。
- 进一步研究方向
- 未来研究应致力于开发更轻量级的符号音乐处理模型，以降低计算开销并提升运行效率。同时，亟需增强模型的可解释性，并建立标准化的基准测试与比较分析框架，以客观评估不同方法的性能。此外，还需进一步探索更贴合符号音乐特性的新型模型，从而更有效地将NLP工具适配于音乐信息检索领域。
本综述由 AI（GLM-5.1）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