本文通过计算方法深入理解歌词，侧重于歌词的风格和偏见，通过分析超过 500,000 首歌曲，研究了歌曲风格和含有的性别和种族偏见，并发现歌词的偏见与社会中存在的偏见有相关性。

Jul, 2019

本研究通过使用 Spotify 音乐流媒体平台用户播放列表推导出的情绪和近一百万首歌曲的数据集，利用基于 transformers 的最先进的自然语言处理模型，研究了歌词和情绪之间的关联。研究表明，预训练的 transformer-based 语言模型在零 - shot 场景下能够强大地捕捉到歌曲情绪的关联。 此外，通过比较使用歌词和使用声学特征的模型的预测，我们观察到，相对于声学，歌词对情绪的预测具有不同的重要性，从而验证了模型是否捕捉了人类对歌词和声学的情绪相关性的相同信息。

May, 2022

本文旨在研究多模态方法是否能在高级歌曲特征和歌词上比单一模态更好地预测歌曲情感得分，结果显示多模态特征在预测愉悦度时比纯音频好，其中 5 种高级歌曲特征对模型性能的贡献最大。

Feb, 2023

本研究使用了基于 Transformer 的 XLNet 模型，首次探索结合歌词进行音乐情感识别。实验表明该方法的性能优于现有基于其他特征的方法。本研究为情感音乐播放列表生成和音乐推荐系统的改进等提供了重要的启示。

Jan, 2021

利用自然语言处理和机器学习进行文化演变以及刻板印象和文化变革方面的研究，对过去 50 年间的 25 万首歌曲进行分析，发现歌词中的性别歧视（misogyny）有所减少但仍然存在，女性与理想特质（如能力）的相关性更低。而且，男性艺术家比女性艺术家更可能引起歌词的转变，并且这些转变可能有助于推动对女性的社会定型观念的演变。

Jan, 2022

音乐中情感或心情可以在不同层面上表达自己。我们评估了基于歌词和音频的情感分析模型，并提出了结合音频和歌词结果的不同方法。我们还研究了音频和歌词情感之间的错误分类和矛盾，并确定了可能的原因。最后，我们解决了这个研究领域的一些基本问题，如主观性高，数据缺乏以及情感分类的不一致性。

May, 2024

该论文表明了利用分布式表示范式进行音乐挖掘和自然语言处理任务时歌词的优势，并通过使用分布式表示克服了手工特征和歌词被认为是流派和流行度的弱指标两个瓶颈。

Jan, 2019

比较分析了计算模型和人类感知中的歌词相似性，发现基于预训练 BERT 模型嵌入、歌曲音频和音素特征的计算模型能够准确表示感知中的歌词相似性，这一发现为相似性推荐系统的发展提供了伪标签和客观评估指标。

Apr, 2024

音乐生成和表达情感之间的关系对于深度学习和自然语言处理的发展具有重要意义，并且有潜力在创意产业中提供强大的工具来推动和生成新的音乐作品。

Nov, 2023

通过使用分类技术和 XLMRoBERTa 模型，为印度语歌曲的歌词建立了一个手动注释的数据集，并进行了音乐情感识别模型的测试。

Mar, 2023