一种用于冷启动音乐推荐的深度多模态方法
信息检索
2017-07-25 v2 机器学习
摘要
每日发布的数字音乐数量不断增加。音乐流媒体服务通常会收录所有可用音乐，但这带来了一个挑战：如何推荐缺乏先验知识的新艺术家？在这项工作中，我们旨在通过使用深度网络架构将文本和音频信息与用户反馈数据相结合，来解决这一所谓的冷启动问题。我们的方法分为三步。首先，通过结合语义、文本特征和聚合使用数据，从传记中学习艺术家嵌入。其次，从音频信号和可用反馈数据中学习曲目嵌入。最后，将艺术家和曲目嵌入组合到一个多模态网络中。结果表明，将推荐问题在特征层级（即艺术家元数据和音轨）上拆分，并在多模态方法中合并特征嵌入，均能提高推荐的准确性。
引用
@article{arxiv.1706.09739,
title = {A Deep Multimodal Approach for Cold-start Music Recommendation},
author = {Sergio Oramas and Oriol Nieto and Mohamed Sordo and Xavier Serra},
journal= {arXiv preprint arXiv:1706.09739},
year = {2017}
}
备注
In Proceedings of the 2nd Workshop on Deep Learning for Recommender Systems (DLRS 2017), collocated with RecSys 2017