A Computational Analysis of Lyric Similarity Perception

在包含人声的音乐作品中，歌词对艺术表达具有重要的贡献。因此，之前的研究引入了一种推荐系统的概念，该系统建议与用户喜爱或个性化偏好相似的歌词，帮助在数百万曲目中发现歌词。然而，许多这些系统并未充分考虑人类对歌词相似性的感知，主要是由于在这个领域的研究有限。为了弥合这一差距，我们进行了计算方法和人类感知建模歌词相似性的比较分析。结果表明，基于预训练的BERT模型嵌入、从歌词中提取的音频和语音组件之间的相似性的计算模型，能够反映出感知歌词相似性的特征。这一发现强调了语义、风格和语音相似性在人类感知歌词相似性方面的重要性。我们预计，我们的研究结果将通过为神经网络开发提供伪标签和引入客观评估指标，增强基于相似性的歌词推荐系统的发展。

本论文旨在探讨计算机模型如何模拟人类对歌词相似性的感知，并提出一种基于BERT模型嵌入、歌词音频和语音组件相似性的计算模型，以解决歌词推荐系统中的相似性问题。

本论文的关键思路是使用预训练的BERT模型嵌入、歌词音频和语音组件相似性来计算歌词相似度，并通过实验验证了该方法的有效性。

论文通过实验比较了多种计算模型的歌词相似度计算效果，并提出了一种基于BERT模型嵌入、歌词音频和语音组件相似性的计算模型。论文使用了多个数据集来验证该方法的有效性，并提供了开源代码。该方法的应用可以提高歌词推荐系统的准确性和个性化程度。

近年来，歌词推荐系统的研究逐渐增多。与本论文相关的研究包括：“Lyrics-based Music Recommendation and Retrieval Using Multiple Sources of Information”和“Music Recommendation System Based on User Emotion and Lyrics”。