基于对话式音乐LLM的主动音乐发现：字节跳力大音乐
信息检索
2026-05-27 v1
摘要
字节跳力大音乐是一个拥有数百万日活用户的大型平台，采用沉浸式、基于 feed 的发现范式，用户通过持续推荐被动探索音乐。虽然这种范式对被动音乐发现有效，但它限制了用户仅限于推荐结果，且对明确表达聆听意图支持有限。与传统搜索不同，后者通过明确的查询（如特定歌曲或艺术家）表达明确意图；而现实中的主动音乐发现往往具有情境性和口语化特征，涉及模糊或不明确的请求。虽然LLM实现了自然语言交互，但其在音乐发现中的直接应用仍受限于音乐领域知识不足、缺乏音乐查询的协同推理以及对个性化偏好的浅层理解。为此，我们引入MuChator，一个基于MusicLLM的交互式框架，使用户能够通过自然语言表达情境化音乐意图。MuChator包含三个关键组件：（1）音乐知识预训练，逐步将客观音乐知识、主观音乐知识和个性化音乐偏好注入LLM；（2）基于上下文的指令调优，通过自动化合成管道构建高质量的用户查询-音乐三元组，以对齐LLM与主动和情境化用户意图；（3）基于混合RM的偏好对齐，联合建模意图相关性、个性化偏好和基本约束，并使用基于GRPO的强化学习进行优化。在工业音乐推荐数据集上进行大规模评估表明，MuChator在多个专有模型（如 Gemini-3-Pro）方面表现出优势。在字节跳力大音乐App上线A/B测试中，用户主动日数提升了46.49%。
引用
@article{arxiv.2605.27103,
title = {MuChator: Enabling Active Music Discovery via Conversational Music LLMs in Douyin Music},
author = {Jiahao Liang and Linzhi Huang and Xuannan Liu and Xukai Wang and Xuanpu Luo and Yongchun Zhu and Jingwu Chen and Feng Zhang and Xiao Yang},
journal= {arXiv preprint arXiv:2605.27103},
year = {2026}
}