BMdataset：音乐学策划的 LilyPond 数据集

符号音乐研究几乎完全依赖基于 MIDI 的数据集； LilyPond 等基于文本的雕刻格式在音乐理解方面仍未得到探索。我们提出了 BMdataset，这是一个音乐学策划的数据集，包含 393 个 LilyPond 乐谱（2,646 个乐章），由专家直接根据原始巴洛克手稿转录，元数据涵盖作曲家、音乐形式、乐器和乐段属性。在此资源的基础上，我们引入了 LilyBERT（权重可在 https://huggingface.co/csc-unipd/lilybert 上找到），这是一种基于 CodeBERT 的编码器，通过使用 115 个 LilyPond 特定标记和掩码语言模型 预训练 进行词汇扩展，适应符号音乐。对域外 Mutopia 语料库的线性探测表明，尽管其大小适中（约 90M 个标记），但在作曲家和风格分类方面，BMdataset 上的 微调 单独优于完整 PDMX 语料库（约 15B 个标记）上的连续 预训练，这表明，在音乐理解方面，经过专业整理的小型数据集比大型嘈杂语料库更有效。将广泛的 预训练 与特定领域的 微调 相结合可产生最佳的总体结果（84.3% 的作曲家准确度），从而确认这两种数据机制是互补的。我们发布了数据集、分词器和模型，为 LilyPond 上的表示学习建立基线。