數字人文視域下的音樂文獻工作

Music Documentation from the Perspective of Digital Humanities

Abstract With the continuous advancement of digital humanities technologies，the limitations of traditional music documentation have become increasinglyapparent，resulting inaprofound paradigm shift inthe field.Digital humanities technologies have notonly expanded the goals，subjects，and methods of music documentationbut also guided the field fromthe eraof measurement into the era of computation.This paper explores the appication of digital humanities technologiesinmusicdocumentation from four dimensions：digitization，semanticization，inteligentization，and visualization.The aim is to reveal the profound impactof digital humanities onmusic documentationand to forecast the future trends and directions in this evolving field.

Key words digital humanities technologies; music documentation

數字人文（DigitalHumanities，DH），源于人文計算（HumanitiesComputing），是在計算機技術、網絡技術、多媒體技術等新興技術支撐下開展人文研究而形成的新型跨學科研究領域1。數字人文不僅是一場技術革新，更是全新的研究范式。它將量化分析與質性研究相結合，為人文研究帶來了更加精準、深入的分析手段。從歷史學、考古學、語言學，到文學、藝術、哲學等多個領域，數字人文都發揮著重要作用，為人文研究提供了全新的研究工具和平臺。

音樂文獻是記錄音樂知識信息的載體，它是音樂藝術歷史、音樂理論研究成果和各種音樂作品的知識集合[2]。音樂文獻工作則是科學組織音樂知識并促使其有效利用的工作3。在數字人文浪潮下，音樂文獻工作正在經歷一場深刻的范式變革。這一變革的核心在于人工智能（ArtificialIntelligence，AI）和機器學習等數字技術的廣泛引入，使得音樂文獻工作圍繞著數字化和數據化展開，深刻地影響了音樂文獻的存儲方式、檢索效率、傳播范圍和利用深度，更促使音樂文獻的處理和解讀方式得以創新，如自動分類、智能標注、深度挖掘文獻中的信息，輔助音樂學的研究分析等，為音樂文獻工作開辟了全新的視角和領域。

1數字人文賦能音樂文獻工作多維拓展

1.1 目的拓展

音樂文獻是音樂歷史和音樂文化的重要載體，傳統音樂文獻工作首要任務是妥善保存和保護音樂文獻，確保音樂歷史和文化得以很好地傳承、傳播。在音樂文獻妥善保存的基礎上，對音樂文獻進行系統的整理與分類，建立音樂文獻的體系和框架，便于查找和利用這些文獻。其最終目的是通過對音樂文獻藝術性、歷史性、文化性等方面的深入研究，全面揭示音樂文獻的內涵和價值，推動音樂文化事業的創新發展。

在數字人文背景下，音樂文獻工作的目的有了新的拓展與深化。數字人文作為信息技術與人文社科深度融合的產物，其核心在于利用計算技術深度挖掘人文領域的知識與價值。這一趨勢促使音樂文獻工作從傳統的文獻整理與保存向數據化、語義化、可視化及智能化方向全面轉型。

這一轉變源于數字人文對計算能力的依賴，即所有分析與研究都需基于可計算的數據進行。因此，音樂文獻被轉化為機器可讀、可分析的數據資源。這一數據化過程不僅要求將音樂文獻轉化為數字格式，更強調對文獻內容的深度解析與結構化處理，以便后續的計算、分析與應用。在數據化基礎上，通過語義分析、可視化呈現及智能化處理等手段，深入挖掘音樂文獻中的隱含信息，揭示其背后的文化、歷史與藝術價值。

1.2對象拓展

音樂文獻工作不僅關注音樂作品本身，還廣泛涉及與音樂相關的各個方面。傳統音樂文獻工作對象大致可分為兩種：一種是紙質資料，如音樂類圖書、期刊、樂譜、手稿等；另一種是多媒體資料，如黑膠唱片、音樂磁帶、CD、DVD等。

在數字人文背景下，音樂文獻工作更關注音樂數據。大規模數字化的音樂資源，如樂譜、錄音、音樂視頻等，成為主要研究對象，其海量且多樣化的特點為研究工作提供了廣闊領域和豐富素材。同時，音樂用戶行為數據也日益受到關注，通過對用戶聽歌記錄、評分、分享等行為的分析，揭示用戶喜好和消費習慣等特征，實現個性化的音樂推薦。音樂元數據和關聯數據也變得越來越重要，有助于發現新的音樂知識和模式。社交媒體上的音樂相關數據反映了公眾對音樂的興趣和態度，對音樂傳播等研究具有價值。此外，音樂與其他模態數據的融合研究成為新趨勢，如音樂與圖像、文本等跨模態研究，推動了音樂跨學科的深度探索。

1.3方法拓展

數字人文技術為音樂文獻工作帶來了革命性的變革。相較于傳統人工文本分析和文獻整理方式，數據挖掘、機器學習和人工智能等技術實現了對音樂文獻數據的深度分析和處理，為音樂文獻工作提供了全新的視角和工具。

數字人文技術在音樂文獻工作中的應用，表現為自動化分析音樂符號的結構和演奏方式，高效提取音樂作品的節奏、旋律、和聲等元素；通過數據挖掘和機器學習算法，迅速準確地識別音樂的形式、結構、主題和風格等特征，進而系統地探討不同音樂流派、作曲家風格及音樂作品之間的關聯與影響；結合地理信息系統、虛擬現實等技術，對音樂歷史與文化背景進行數字化重構，直觀展示音樂作品所處的歷史時期、地域特色及其與其他藝術形式和社會現象的互動關系；通過數字化整合與共享，實現音樂文獻資源的便捷檢索、瀏覽和引用，推動音樂文獻的跨學科交流與合作；此外，數字人文技術還為音樂創作和表演提供智能化輔助，如基于人工智能技術的音樂生成系統和智能伴奏系統等，為音樂創作和表演開辟更廣闊的可能性和創新空間。

數字人文技術和方法在音樂文獻工作中的應用涵蓋了多個方面，不僅提高了音樂研究效率，還能提供更精確的結果和更深入的洞察力。數字人文技術和方法已成為音樂文獻工作的重要工具和方法論，推動音樂文獻學的發展。

2基于數字人文的音樂文獻工作

2.1 音樂文獻數據化

音樂文獻的數據化在大數據時代顯得尤為重要。為了達成此目標，首要任務是進行全面而詳盡的音樂文獻資料收集，其中涵蓋樂譜、書籍、期刊、音頻和視頻等多種形式。紙質文獻通過高精度掃描技術轉化為數字圖像，然后利用光學字符識別（OpticalCharacterRecognition，OCR）技術將圖像轉化為可編輯、可搜索的文本信息。對于音頻和視頻資料，使用專業設備進行數字化轉換，確保數據的完整性，并獲得高質量的數字化成果。這些經過數字化處理的音樂文獻被妥善保存在大型數據庫中，方便用戶快速檢索和利用。

借助數字人文技術，采用文本分詞、圖像切割等技術手段，可將文獻內容進一步拆解為粒度更細的單元，如詞匯、短語、句子等文本元素或圖像的特征區域，實現文獻內容的深度表示。對這些細化后的元素進行深度分析和標注，實現精準音樂元素提取。例如，利用音頻特征提取、音符識別、節奏分割等技術，從音樂文獻中精確提取音符、和弦、節奏型等音樂對象。特別是對樂譜的處理，光學樂譜識別（OpticalMusicRecognition，OMR）技術能自動將樂譜圖像轉化為通用數字音樂格式，并將其進一步細分為如小節、樂句等更小的單位[4]

這種數據化處理不僅方便用戶檢索與利用，還擴大了研究的廣度和深度。例如，樂譜數據通過MusicXML標注和編碼，能夠被機器理解和讀取，解決了不同軟件和系統之間的數據互通，為后續音樂文獻的大數據研究打下基礎。只有利用數據化處理后的數據，才能實現如語義計算、特征發現、AI音樂創作等功能，從而實現音樂文獻研究的不斷創新和發展。

2.2 音樂文獻語義化

自然語言處理（Natural Language Processing，NLP）是計算機科學、人工智能和語言學等學科交叉的前沿領域。其目標是讓計算機能夠理解、處理和生成自然語言，使計算機具有類似人類的語言交互和文本理解能力[5]。NLP技術能夠對音樂文獻中的文本信息進行語義分析，揭示隱藏的語義關系和模式，探索音樂作品背后的社會文化意義。

音樂文獻包含豐富的文本信息，如音樂類型、歌詞、樂譜、作曲家傳記等。通過分詞、詞性標注等詞向量技術，提取音樂文本信息中的關鍵信息和語義關系，分析和挖掘音樂文獻所表達的情感和主題。樂譜雖然以音樂符號為主要表現形式，不同于一般的自然語言文本，但NLP技術仍能在樂譜處理和分析中發揮作用。如沈哲旭等人結合自然語言處理與音樂情感分析，通過預訓練語言模型，實現了對電子樂譜的精準情感分類。除了主題和情感分析，NLP技術在音樂信息檢索系統中也發揮著重要作用，它可以分析用戶的查詢文本，挖掘查詢文本的語義意圖，并在音樂文獻庫中匹配相應的結果。

另外，音樂知識圖譜能夠實現音樂文獻語義化。知識圖譜是一個基于語義技術的信息組織和知識管理系統，它能夠整合大量的結構化和非結構化數據，形成一個統一的語義關系網絡，實現信息資源的語義化組織和管理，廣泛應用于語義檢索和智能問答中。

音樂知識圖譜的構建涉及多個環節。首先廣泛收集與音樂相關的各種數據，如文本、圖像、音頻和視頻等。通過人工智能技術、自然語言處理技術從收集的數據中識別出音樂實體，利用RDF（ResourceDescriptionFramework，資源描述框架）的三元組資源描述方法描述實體的屬性和特征，抽取實體間的關系，設計音樂知識本體，揭示實體間的語義關系，導入音樂知識實體，構建音樂知識庫。知識圖譜建成后，利用其中的語義關系和推理規則進行推理和查詢，可發現新的知識關系和事實，獲取特定領域的音樂知識和信息。音樂文獻知識圖譜可以應用于音樂推薦、音樂教育或音樂歷史研究等，通過深度分析和挖掘知識庫中的信息，提供更準確、豐富的音樂知識和服務。如由馬欣尹等人設計的網易云音樂知識圖譜和音樂推薦系統就是很好的展示[7]。曹軍軍團隊針對中國傳統音樂特征與傳統音樂學的知識結構，設計構建了中國傳統音樂知識庫的\"元數據本體”[8]。

2.3 音樂文獻可視化

可視化（Visualization）是計算機圖形學與圖像處理技術深度融合的產物，通過圖像化手段高效表達與解析數據，并促進數據的交互式探索與理解。其應用領域廣泛，數據形態多樣，包括文本數據、層次數據、時空數據及多維數據等。在音樂文獻領域，可視化不僅為研究者提供了新穎的研究視角與洞察工具，還深刻重塑了音樂知識的呈現與傳播方式。

音樂文獻可視化，是將音樂文獻數據轉換為結構化的可視化數據格式，對文本、音頻、圖像等數據進行解析、抽取和轉換，發現音樂文獻的信息特征。根據音樂文獻的特點和研究需求可選擇多種可視化形式，如詞云、圖表、網絡圖、熱力圖或時空可視化等[9]。這些可視化形式能形象地展示音樂知識的關系和趨勢。同時，可選擇不同的可視化工具。如Tableau是一款通用的數據可視化工具，適用于各種數據類型，提供豐富的可視化選項。D3.js是一個高度靈活的JavaScript庫，用于創建自定義的數據驅動可視化。馬秋梅等人運用D3.js，從歷史起源、藝術特色和發展傳承3個方面出發，基于6個可視化模塊，構建了一個川劇文化大數據可視分析系統[10]。Gephi專注于網絡分析和可視化，特別適用于音樂作品之間的關系展示。Voyant則專注于文本數據的可視化和分析，揭示音樂文獻中的主題和情感色彩。朱子彤在呂班電影研究中運用Voyant做人物對話的趨勢圖分析[11]

樂譜記錄了音符、節奏、樂句、段落等豐富的音樂信息，是音樂文獻工作的重點對象。可視化樂譜時，通過不同顏色、形狀和大小來表示不同音符時值和節奏，直觀展現音樂的流動感和節奏感。對于包含歌詞的樂譜，可將歌詞以詞云的形式進行可視化，使讀者更為直觀地理解歌詞的主題及作品的意境。對于樂譜的層次結構，可將層次結構轉化為層次數據，再以樹狀圖的形式進行可視化，以節點表示層次單位（如音符、樂句、段落等），連線表示節點之間的層次關系。可視化樂譜的時空特征，可結合作曲家等的人生起伏、行跡、作品信息等在時序空間上進行展示，有助于洞察作曲家的創作風格與時空背景的聯系。可視化樂譜的風格和流派，可利用時間軸、散點圖等方法展示樂譜的多維屬性，動態展示音樂風格或流派的歷史演變過程。

2.4 音樂文獻智能化

在數字人文視角下，音樂文獻工作曾面臨海量數據處理和深度挖掘的挑戰。然而，隨著AI技術的融入，這一局面得到了根本性改變。AI技術通過音頻處理、自然語言處理、機器學習等方法揭示音樂文獻的語義和知識，促進了音樂文獻工作的智能化進程。

2.4.1音樂作品分析

音樂作品分析主要從旋律、節奏、和聲、曲式結構、調性、音樂風格和形象等多個維度進行研究。傳統音樂作品分析主要依賴人工進行，需要耗費大量時間和精力，對分析者的專業知識和經驗要求較高。分析過程中可能受到主觀因素的影響，主要關注音樂的特定方面，對數據的利用受限于分析者的知識和經驗。且通常是單向的解讀過程，缺乏交互性。

數字人文技術的引入，極大提升了音樂作品分析的智能化水平。機器學習算法和自動處理工具能迅速對作品進行自動分析和處理，大大提高分析效率，更準確地識別和提取音樂作品的特征，減少主觀誤差，并對音樂作品的多個方面進行全面而深入的分析。

以音樂作品旋律分析為例。首先，通過音頻處理工具或機器學習算法提取與旋律緊密相關的特征，如音高、音程和節奏等。為使這些特征能被計算機處理，采用音樂信息檢索（MusicInformationRetrieval，MIR）技術將其轉化為如旋律矩陣、旋律向量等數據結構。如周利娟等人提出了基于TLDA和SVSM的音樂檢索模型，實現音樂個性化的分類管理，并提高音樂信息檢索系統的性能[12]。王培培等人提出了基于得分矩陣的音樂哼唱快速檢索技術，實現音樂的快速檢索[13]。其次，利用相似度計算算法，例如余弦相似度和歐氏距離，量化不同音樂作品間旋律的相似程度。如朱永強等人結合Unicode中文單元的內部關聯性，優化了Sunday算法的匹配規則，提高了匹配效率[14]。Park等人提出了cross-scape這種可視化展示旋律相似性的方法，展示兩段MIDI的相似度以及熱力圖，提高了比對結果的可讀性[15]。最后，通過應用聚類算法，不僅可以區分各種音樂風格和流派，還可揭示它們之間的關系和差異。

目前，在數字人文背景下許多研究人員在音樂作品分析領域取得了較為突出的成績。如穆罕默德·阿西姆使用機器學習算法對音樂流派進行分類[16]。Deezer利用音頻信號和歌詞來識別歌曲的情緒，成功開發出能識別歌曲音樂情緒的AI系統[1]。還有基于用戶行為和偏好進行音樂個性化推薦的數字音樂推薦系統等[18]。

2.4.2 AI作曲

AI作曲是利用人工智能技術生成音樂作品的一項前沿應用，不僅是對傳統作曲方式的創新，更是人機協作的新嘗試。AI作曲的數據化文獻主要基于MIDI文件和MusicXML文件兩種格式。MIDI是國際上一種用于存儲數字音樂和電子合成樂器的統一標準，又稱樂器數字接口[19]。MusicXML和MIDI類似，是一種用于電子樂譜信息交換與分享的文件存儲格式，又稱音樂擴展標記語言[20]

基于MIDI文件的AI作曲領域，最具代表性的是Google開發的MusicVAE技術，該技術采用變分自編碼器的生成模型[21]。它能夠從大量音樂數據中學習到音樂的潛在表示，并據此創作新的音樂作品。MusicVAE支持多種音樂表示方式，包括鋼琴卷簾和MIDI文件，并能夠創作出具有不同風格和情感的音樂作品。另一種技術是AmadeusCode，它是一種基于深度學習的音樂生成系統。AmadeusGode運用循環神經網絡和生成對抗網絡等技術來創作音樂，能根據用戶提供的旋律、和弦進行和情感標簽生成符合要求的音樂作品。AIVA技術則是一種基于人工智能的音樂創作平臺，該平臺利用深度學習、神經網絡和遺傳算法等技術來創作音樂。

基于MusicXML文件的AI作曲，最具代表性的是Jukedeck和AmperMusic在商業領域的廣泛應用。Jukedeck基于機器學習，根據用戶輸入的旋律、節奏、風格等參數自動生成符合要求的音樂作品，并支持包括MusicXML文件的多種輸出格式。AmperMusic則基于云計算和人工智能，根據用戶提供的和弦、節奏和風格等信息，自動生成完整的音樂作品，也支持MusicXML文件輸出和高度定制化選項[22]。前面提到的MusicVAE技術，亦可從大量的MusicXML文件中學習音樂的潛在表示，進而生成多樣化風格的音樂作品。

3數字人文對音樂文獻工作的影響和變革

3.1更新音樂文獻管理模式

數字人文技術推動了音樂文獻管理從傳統的紙質文獻管理向數字化管理的根本轉變。如今，傳統紙質文獻管理已無法滿足高速發展的社會需求，弊端日益凸顯，如存儲不便、易損壞、易丟失等，而數字化管理有效解決了這些不足。音樂文獻通過數字化不僅大大提高了文獻的存儲密度和檢索效率，而且使文獻的傳輸、利用和研究更加高效便捷。

大數據、云計算、人工智能等數字技術在音樂文獻工作中的運用，極大地提升了音樂文獻的智能化管理水平。文獻智能化管理模式主要是基于先進的大數據、人工智能等新興技術，對海量的文獻數據進行深度挖掘和分析，實現知識的發現、整合和共享，從而提高文獻資源的利用效率和價值。通過對音樂文獻數據的智能化管理，可實現音樂信息資源的整合與共享，通過進一步挖掘和分析，為用戶提供個性化、精準化的智能決策。

基于語義的音樂元數據管理。音樂元數據管理實質為一套管理體系，其核心為權限管理，通過定義不同角色并為其分配相應權限，實現共享管理以及其他相關功能，實現對元數據的精準操作控制，從而構建一個完整的管理體系。根據預設規則判斷用戶訪問特定元數據的權限，確保數據安全性，訪問控制機制起到關鍵作用。審計和跟蹤功能維護數據完整性并追溯可能的問題，記錄所有數據訪問和操作行為。在共享管理方面，系統支持多種策略，使元數據在組織內外得到合理利用。這些功能共同構成一個強大而靈活的元數據管理系統。

在數字人文背景下，音樂作品的指紋版權管理得到了顯著的提升和完善。大數據技術為音樂作品的指紋版權管理提供了強大的數據處理和分析能力，使版權管理更加精細化、智能化和高效化。通過深度挖掘和分析海量數據，不僅能精準提取音樂作品的獨特指紋，還能實時監測作品的傳播與使用情況，智能化追蹤侵權行為[23]。結合自動化的維權機制與數據可視化技術，大數據技術為版權管理提供了高效、精準的解決方案，確保創作者的權益得到充分保護。如網易云音樂基于音頻指紋的聽歌識曲系統研究[24]。

3.2開辟音樂文獻新的研究視角與方法

從宏觀視角來看，數字人文背景下的音樂文獻工作是文獻學與數字人文學科的深度交融，這種跨學科的交融為音樂文獻工作提供了新的研究方法和路徑，預示著音樂文獻工作未來的發展方向。并且，數字人文背景下的音樂文獻工作方法較傳統方法更為開放、多元和深人。以數據驅動的研究范式成為主導，大規模的數據集被用于提取音樂領域有意義的信息和模式。同時，基于網絡的研究框架、開放科學和合作研究的理念、跨學科的視角等不僅可以實現音樂文獻資源的共享與協作，更能促進音樂學與計算機科學、數據科學等領域的交融，為音樂研究提供更全面的理論和方法支持。這些研究思路和設計相互交織，共同構建了音樂文獻工作的新框架和新路徑。

從微觀角度來看，大數據、云計算、物聯網和人工智能技術等信息技術，為音樂文獻工作提供了更多的研究方法，如自然語言處理技術能高效提取音樂文獻中的關鍵信息和知識，為音樂研究提供有力支持；語音識別技術能方便轉錄和整理音樂作品中的語音內容；使用機器翻譯技術可幫助克服語言障礙，并獲取跨文化的音樂研究成果。

此外，基于Transformer注意力機制的大語言模型能夠準確學習到音樂作品中的復雜結構和模式信息。通過大語言模型深入分析音樂作品的結構、風格和情感表達等。基于預訓練-微調技術的大語言模型是深人研究音樂作品的有力工具，為音樂文獻研究提供了更高效、更準確的分析方法。

3.3拓展音樂文獻傳播路徑

在數字時代，通過響應式設計、統一的API（ApplicationProgrammingInterface，應用程序接口）以及云端服務等實現跨平臺服務，用戶可以在不同時空、不同設備的操作系統和網絡環境下使用音樂文獻。在此基礎上，音樂文獻內容的傳播也不再局限于傳統渠道，而是廣泛分布于各類擁有不同用戶群體和使用場景的數字平臺，如Spotify、抖音、小紅書等音樂流媒體平臺和社交媒體等。這些數字平臺基于收集的用戶數據構建用戶畫像，再利用智能推薦算法，向特定用戶推送個性化的音樂內容。

通過可視化技術，音樂文獻中的復雜數據和抽象概念得以直觀展示。傳統音樂文獻，尤其是復雜的樂譜和理論分析，往往需要讀者具備較高的音樂素養才能理解。然而，通過可視化手段，如將樂譜轉化為動態的音符流動、將和聲結構以色彩或形狀的方式呈現，這些高度專業化的信息變得更為直觀，降低了理解的門檻。

借助交互設計技術可以創建交互式音樂文獻展示平臺。用戶通過點擊、拖動等操作，查看音樂文獻的詳細信息或進行數據分析等，從而獲得更加豐富和個性化的音樂體驗。利用虛擬現實和增強現實技術則可以實現用戶對音樂的沉浸式體驗。如歷史音樂場景重現，虛擬的音樂元素與現實世界相結合等。這種體驗方式不僅能使用戶深刻感受音樂作品的深度，還能啟發創作者創作出新的音樂作品或表達方式。

4總結和展望

在數字人文背景下，音樂文獻工作經歷了前所未有的變革。傳統音樂文獻處理與保存方式逐漸被數字化所取代，這不僅極大提升了文獻的存儲密度和檢索效率，而且通過數據分析技術，更為全面和深入地挖掘音樂文獻的內涵和價值。特別是大數據、自然語言處理、機器學習等技術的應用，為音樂文獻的智能化管理、分析與創作提供了新的可能性。音樂文獻工作不再局限于保存和保護音樂文獻，而是進一步拓展至數據收集與整合、潛在關聯與模式挖掘、音樂創作模式與趨勢洞察，以及為音樂學術研究提供更豐富、更精確的數據支持等方面。

未來，隨著技術的不斷進步和跨學科研究的深入，數字人文視域下的音樂文獻工作將展現出更加廣闊的前景。一方面，隨著元宇宙、虛擬現實等前沿技術的發展，音樂文獻的可視化和沉浸式體驗將得到極大提升，用戶可通過更直觀、交互的方式，探索和理解音樂作品背后的文化和歷史。另一方面，跨模態數據融合研究將成為新的趨勢，深人揭示音樂文獻與其他藝術形式、社會現象之間的內在聯系，推動音樂文獻工作向更高層次發展。此外，隨著開放科學和合作研究理念的普及，音樂文獻數據的開放獲取和共享將成為常態，為學者們提供更加豐富和全面的研究資源，促進音樂學術研究的創新與進步。

參考文獻：

[1]劉煒，葉鷹.數字人文的技術體系與理論結構探討[J].中國圖書館學報，2017，43（5）：32-41.

[2]王小盾，喻意志.中國音樂文獻學：以楊蔭瀏為樞紐的兩個時期[J].中國音樂學，2000（3）：13-24.

[3]郭小林.再論音樂文獻學[J].黃鐘（中國·武漢音樂學院學報），2008（1）：128-132.

[4]BAINBRIDGED，BELLT.Thechallengeofoptical music recognition[J].Computersandthe Humanities，20O1，35（2）：95-121.

[5]趙鐵軍，許木璠，陳安東.自然語言處理研究綜述[J].新疆師范大學學報（哲學社會科學版），2025，46（2）：89-111，2.

[6]沈哲旭，曾景杰，丁健，等.基于預訓練語言模型的電子樂譜情感分類研究[J].復旦學報（自然科學版），2022，61（5）：581-588.

[7]馬欣尹，沈永亮，方共凡.網易云音樂知識圖譜和音樂推薦系統[EB/OL].[2024-10-10].htp：//data.openkg.cn/datasel/

163music.

[8]曹軍軍，李俊萱，王雨荷.中國傳統音樂知識庫的\"元數據本體\"構建研究[J].數字人文研究，2022，2（4）：22-37.

[9]任磊，杜一，馬帥，等.大數據可視分析綜述[J].軟件學報，2014，25（9）：1909-1936.

[10]馬秋梅，江興濤，曾琦峰，等.川劇文化大數據可視分析[J/OL].計算機輔助設計與圖形學學報，1-12［2025-01-10].http：//kns.cnki.net/kcms/detail/11.2925.tp.20240321.1719.002.html.

[11]朱子彤.數字人文視域下的呂班電影研究：以CiteSpace、Darwin、微詞云、Voyant為主要工具[J].當代電影，2023（4）：63-69.

[12]周利娟，林鴻飛，閆俊.基于TLDA和SVSM的音樂信息檢索模型[J].計算機科學，2014，41（2）：174-178.[13]王培培，王斌.支持得分矩陣的音樂檢索技術[J].計算機工程與應用，2017（5）：17-23.[14]朱永強，秦志光，江雪，等.基于Sunday算法的改良單模式匹配算法[J].計算機應用，2014，34（1）：208-212.[15]PARK S，KWON T，LEE J，et al.Across-scape plot representation for visualizing symbolic melodic similarity[C]/Proceedingsof the2Oth International SocietyforMusic InformationRetrieval Conference.Delft： ISMIR，2019：423-430.[16]ASIM M，AHMED Z.Automatic music genres classification using machinelearning[J].International Journalof AdvancedComputer Science and Applications，2017，8（8）：337-344.

[17]Deezer成功開發出能識別歌曲音樂情緒的AI系統[EB/OL].[2025-01-10].htps：/smart.huanqiu.com/article/9CaKrnKcYHb.[18］劉義理，朱茂然，胡莼.基于用戶行為軌跡的在線音樂偏好模型［J].復旦學報（自然科學版），2022，61（3）：342-352.

[19]LOY G.Musicians make a standard： The MIDI phenomenon[J]. Computer Music Journal，1985，9（4）：8-26.[20]GOOD，MICHAEL. MusicXML：An internet-friendly format for sheet music[C]/XML Conference and Expo.Boston：IDEAlliance，2001：3-4.[21]ROBERTSA，ENGELJ，RAFFELC，etal.Ahierarchical latentvector modelforlearning long-term structure inmusicC]/Proceedings of the35th International Conference on Machine Learning.Stockholm：PMLR，2018：4364-4373.[22]陳吉尚，哈里旦木·阿布都克里木，梁蘊澤，等.深度學習在符號音樂生成中的應用研究綜述[J].計算機工程與應用，2023，59（9）：27-45.[23]牛曉林，韓德志，孫志杰.基于聯盟鏈的音樂版權保護與交易系統[J].計算機應用研究，2022，39（1）：18-23.[24]李佳.《網易云音樂7》體驗[J].計算機與網絡，2020，46（2）：35.

作者簡介：付春梅，碩士，副研究館員，研究方向為信息資源管理、數據分析。收稿日期：2024-12-20 修回日期：2025-01-27 編校：鄭秀花李萍