面向情绪引导的可控音乐嵌入变换

音乐表示是现代推荐系统的基石，支撑着播放列表生成、相似性搜索和个性化发现。然而大多数嵌入表示对调整单个音乐属性（如仅改变曲目的情绪而保留其风格或乐器）控制有限。本文通过嵌入变换解决可控音乐检索问题，即检索与种子曲目相似但沿选定维度修改的歌曲。我们提出一种情绪引导的音乐嵌入变换框架，该框架学习从种子音频嵌入到受情绪标签引导的目标嵌入的映射，同时保留其他音乐属性。由于情绪无法直接在种子音频中被改变，我们引入一种采样机制检索代理目标，以平衡多样性与种子相似性。我们采用该采样策略训练轻量级翻译模型，并提出一种新型联合目标函数，以鼓励变换与信息保留。大量实验表明，我们的方法在保持风格和乐器方面显著优于无训练基线，同时实现强劲的情绪变换性能，证明了可控嵌入变换是个性化音乐检索的有前景的范式。