Natural Language Processing Methods for Symbolic Music Generation and Information Retrieval: a Survey

自从Transformer模型在自然语言处理（NLP）领域取得突破以来，各个领域都开发了几种模型的适应性。这种趋势已经传播到音乐信息检索（MIR）领域，包括处理音乐数据的研究。但是，在MIR中利用NLP工具处理符号音乐数据的实践并不是新颖的。音乐经常被比作语言，因为它们有几个相似之处，包括文本和音乐的序列表示。这些类比也通过MIR和NLP中的类似任务得到反映。本文综述了应用于符号音乐生成和信息检索研究的NLP方法，遵循两个方向。我们首先概述了从自然语言序列表示中适应符号音乐的表示形式的概述。这些表示形式是通过考虑符号音乐的特定性而设计的。然后，这些表示形式被模型处理。这样的模型可能最初是为文本开发的，并针对符号音乐进行了适应，并在各种任务上进行了训练。我们通过不同的棱镜描述了这些模型，特别是深度学习模型，强调了音乐专业机制。最后，我们提出了关于有效利用NLP工具处理符号音乐数据的讨论。这包括关于NLP方法的技术问题和文本与音乐之间的根本差异，这可能为更有效地将NLP工具适应于符号MIR的进一步研究开启了几扇大门。

这篇论文试图探讨如何将自然语言处理（NLP）方法应用于符号音乐生成和信息检索领域，并解决在此过程中遇到的技术问题和基本差异。

论文提供了符号音乐的序列表示方法，并介绍了一些基于深度学习模型的符号音乐处理方法，比如Transformer模型。同时，论文也探讨了NLP工具在符号音乐处理中的有效性和局限性。

论文提供了针对符号音乐的序列表示方法和基于深度学习模型的处理方法，并讨论了NLP工具在符号音乐处理中的有效性和局限性。实验使用了多个数据集，并介绍了一些值得深入研究的工作，例如如何更有效地将NLP工具应用于符号音乐生成和信息检索领域。

在此领域的相关研究包括：'Music Transformer: Generating Music with Long-Term Structure', 'Learning to Generate Music with Sentiment', 'A Survey of Music Information Retrieval'等。