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

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

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

通过歌词分析、心理测量分数以及机器学习，研究了个体音乐偏好与道德价值观之间的关联，发现音乐歌词可以很好地预测人们的道德观念，而传统和分层的价值观更容易通过歌词体现。

Sep, 2022

本文使用循环神经网络模型对大规模的歌曲歌词数据集进行音乐流派分类，并在此基础上利用分层注意力网络（HAN）实现在不同层级的特征学习以分类音乐流派，该方法不仅在准确率上超过了先前的研究成果，而且还提供了洞察在语言特征和词汇结构方面不同的音乐流派之间的区别。

Jul, 2017

本文提出一种机制，将两个分别训练的语言模型结合起来，旨在生成符合期望歌曲结构的输出，同时提供丰富的词汇量，从而提高其创造力。

Nov, 2018

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

本文介绍了一个计算框架，旨在定量评估可唱译歌词，该框架无缝地融合了歌曲、语言和文化维度；通过收集一个可唱歌词数据集，并进行可唱和不可唱歌词的比较分析，我们验证了我们框架的有效性；我们的多学科方法揭示了歌曲翻译艺术的关键因素，并为未来的计算歌词翻译评估奠定了坚实基础。

Aug, 2023