.png){kind=icon}
返回
Multi-source music knowledge graph construction and prosodic evolution trajectory prediction via DRL-VAE collaborative learning
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-53657-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异构音乐数据在多样化模态中的激增为统一的音乐信息检索与分析带来了显著挑战。本文提出了一种将深度强化学习（DRL）与变分自编码器（VAE）相结合的新框架，用于多源音乐知识图谱构建和韵律演化轨迹预测。我们设计了一个层次化本体模式，容纳声学、符号和语义模态，实现跨异构数据源的系统性实体对齐。DRL-VAE协同机制利用变分编码生成结构化潜在表示，同时采用强化学习代理优化序列知识图谱补全决策。开发了一种韵律轨迹预测算法，将生成建模与长周期规划相结合，通过图神经网络层传播知识库中的结构信息进行上下文化处理。在大型公开数据集上的实验评估表明，所提方法在链接预测任务中达到MRR 0.456，较基线方法提升17.8%；轨迹预测的F1分数达到0.867，在音乐风格上具有更优泛化能力。该框架提出了一种整合音乐知识表示与计算韵律分析的综合方法。
Keyword:
music knowledge graph
deep reinforcement learning
variational autoencoder
prosodic evolution
multi-modal music analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
