WeMusic-Agent: Smarte Musikempfehlungen durch Wissensinternalisierung Agenten

Eine neue Forschungsarbeit präsentiert WeMusic-Agent, ein innovatives Framework, das konversationelle Musikempfehlungen mithilfe von Wissensinternalisierung und Agentenlernen effizienter gestaltet.

Traditionelle Systeme für personalisierte Musikempfehlungen in Dialogen kämpfen oft damit, tiefes musikalisches Fachwissen mit der Flexibilität moderner Tool-Integration zu verbinden. WeMusic-Agent löst dieses Problem, indem es das Modell beibringt, wann es auf intern gespeichertes Wissen zurückgreifen und wann es externe Dienste wie Musik‑Retrieval‑APIs aktivieren soll.

Im Kern steht WeMusic-Agent-M1, ein Agentenmodell, das durch kontinuierliches Pre‑Training auf einem 50‑Billionen‑Token‑Korpus umfangreiches musikalisches Wissen internalisiert hat. Gleichzeitig erwirbt es die Fähigkeit, gezielt auf spezialisierte Tools zuzugreifen, wenn zusätzliche Informationen benötigt werden.

Da es bislang keine offenen Benchmarks für konversationelle Musikempfehlungen gibt, hat das Team einen eigenen Testdatensatz aus realen WeChat‑Listen‑Daten erstellt. Dieser Benchmark bewertet Relevanz, Personalisierung und Vielfalt der Empfehlungen und ermöglicht so eine umfassende Leistungsanalyse.

Experimentelle Ergebnisse zeigen, dass WeMusic-Agent die bestehenden Modelle deutlich übertrifft und damit einen wichtigen Schritt in Richtung natürlicher, kontextsensitiver Musikempfehlungen darstellt.