WeMusic-Agent：基于知识内化与代理边界学习的高效对话式音乐推荐
人工智能
2025-12-19 v1
摘要
对话场景下的个性化音乐推荐通常需要深入理解用户偏好和细致的音乐语境，但现有方法往往难以在专业领域知识和灵活工具集成之间取得平衡。本文提出 WeMusic-Agent，一个用于高效 LLM 基于对话式音乐推荐的训练框架。通过整合知识内化与代理边界学习，该框架旨在教导模型在何时利用内化知识，何时调用专用工具（如音乐检索 API、音乐推荐系统）。在此框架下，我们提出 WeMusic-Agent-M1，一个具备内化广泛音乐知识能力并能在必要时调用外部工具的代理模型。通过在 50B 规模的音乐相关语料上继续预训练，实现知识内化。此外，鉴于缺乏开源对话式音乐推荐基准，我们构建了一个源自真实数据的微信听歌平台派生的个性化音乐推荐基准。该基准支持在相关性、个性化和多样性等多个维度上进行全面评估。在真实数据上的实验表明，WeMusic-Agent 在现有模型上取得显著的性能提升。
引用
@article{arxiv.2512.16108,
title = {WeMusic-Agent: Efficient Conversational Music Recommendation via Knowledge Internalization and Agentic Boundary Learning},
author = {Wendong Bi and Yirong Mao and Xianglong Liu and Kai Tian and Jian Zhang and Hanjie Wang and Wenhui Que},
journal= {arXiv preprint arXiv:2512.16108},
year = {2025}
}