MuChator：通过抖音音乐中的会话音乐 LLM 实现主动音乐发现

抖音音乐是一个拥有数百万日常用户的大型平台，采用沉浸式、基于信息流的发现范式，用户通过持续推荐被动地探索音乐。虽然对于被动音乐发现有效，但这种范例限制了用户的推荐结果，并对明确指定收听意图提供了有限的支持。与传统搜索不同的是，用户通过明确的查询（例如特定歌曲或艺术家）来表达明确的意图，而现实世界的主动音乐发现通常是情境性和口语化的，涉及模糊或未指定的请求。虽然 LLM 支持自然语言交互，但它们在音乐发现中的直接使用仍然受到音乐领域知识不足、缺乏音乐查询协作推理以及对个性化偏好理解浅薄的限制。为了应对这些挑战，我们引入了 MuChator，这是一个基于 MusicLLM 的交互式框架，使用户能够用自然语言主动表达情景音乐意图。 MuChator包含三个关键组成部分：（1）音乐知识预训练，一个三阶段方案，将客观音乐知识、主观音乐知识和个性化音乐偏好逐步注入LLM； (2) 上下文感知指令调整，通过自动合成管道构建高质量的用户查询音乐三元组，以使 LLM 与主动和情境用户意图保持一致； (3) 与 Hybrid RM 的偏好对齐，联合建模意图相关性、个性化偏好和基本约束，并使用基于 GRPO 的强化学习进行优化。对工业音乐推荐数据集的广泛评估表明，MuChator 的性能优于领先的专有模型，例如 Gemini-3-Pro。该模型已部署在字节跳动抖音音乐App上，在线A/B测试中用户活跃天数提升46.49%。