该研究提出了一个单一表征学习框架，该框架阐明了度量学习、分类和去缠结化之间的关系，提高了音乐信息检索的性能。通过评估四项任务，我们发现针对训练时间、相似度检索和自动标记，基于分类的模型通常更具优势，而深度度量学习对于三元组预测的性能表现更好。最后，我们展示了我们提出的方法在音乐自动标记方面取得了最先进的结果。

Aug, 2020

本研究旨在开发一种可解释的音乐相似性分类系统，通过结合符号和音频内容，提高音乐检索、推荐和分析的效率和精度。

Jun, 2023

本文提出了一种基于多核学习以及基于图的过滤技术的方法，将多媒体数据中的多种模态融合到单一的相似度空间中，以解决多媒体数据中的主观问题和不一致问题。

Aug, 2010

使用卷积神经网络构建了一种新的相似度度量方法，该方法可以应用于多模态医学图像的配准问题。在跨人注册任务上，该方法实现了比互信息更好的性能。

Sep, 2016

本论文旨在探究在不需要额外注释或训练数据的情况下，如何学习图像相似性的特征。通过构建一种新的三元组采样策略，实验结果表明，该方法可以显著提高深度度量学习的性能，并在各种标准基准数据集上实现了新的最优结果。

Apr, 2020

本研究提出了一种基于自我监督学习方法的模型，通过介绍自我监督辅助损失的度量学习方法来解决基于相似性的检索挑战。实验结果表明，该方法可以增强检索和标记性能指标，可用于所有音乐曲目和部分音乐曲目的两种情况。

Apr, 2023

本文提出了 CDMLMR 方法，该方法以多任务正则化的方式融合四元组排名损失和半监督对比损失，用于建模跨模态语义相似性；与现有方法相比，该方法不仅利用了相似性排名信息，还利用了未标记的跨模态数据，从而提高了跨模态检索准确性。

Mar, 2017

本文提出一种由协同过滤数据样本优化得到的基于内容相似度度量的音乐推荐系统，能够对于新颖或不受欢迎音乐领域的查询给出高精度和高效率的回答，并且在实验中得出了显著的精度改善。

May, 2011

使用用户的听歌历史和个人信息，借助于度量学习及 Siamese 网络，构建出用户嵌入和音频嵌入表示，从而提出了基于内容的音乐推荐方法，并将音频嵌入作为音乐类型分类任务的特征。实验结果表明，该方法达到了最新的性能。

Oct, 2020

基于多个相似性度量的新型多相似性对比损失（MSCon）提供了在不同相似关系下学习可推广嵌入的方法，通过自动学习对应相似性的对比权重，降低不确定任务的影响，从而在内部和外部领域中优于最先进的基准模型。

Jul, 2023