面向音乐流媒体服务的可扩展自动播放列表续编框架
信息检索
2023-04-19 v1 机器学习
声音
音频与语音处理
摘要
音乐流媒体服务通常旨在为用户推荐歌曲，以扩展他们在该服务上创建的播放列表。然而，在保留播放列表音乐特征并匹配用户偏好的同时扩展播放列表仍是一项具有挑战性的任务，通常被称为自动播放列表续编（Automatic Playlist Continuation, APC）。此外，尽管这些服务往往需要在数百万候选曲目的庞大曲库中实时选择最佳推荐歌曲，近期关于 APC 的研究主要集中于可扩展性保障较弱的模型，并在相对较小的数据集上评估。本文提出一个通用框架，用于构建面向大规模应用的可扩展且高效的 APC 模型。基于“先表征后聚合”策略，该框架从设计上保证可扩展性，同时保持足够灵活以纳入广泛的表征学习与序列建模技术，例如基于 Transformer 的方法。我们通过在 Spotify 的 Million Playlist Dataset (MPD)（最大的 APC 公开数据集）上进行深入实验验证，证明了该框架的相关性。我们还描述了在 2022 年如何成功利用该框架在 Deezer 的生产环境中改进 APC。我们报告了在该服务上大规模在线 A/B 测试的结果，强调了我们的方法在此类真实世界应用中的实际影响。
引用
@article{arxiv.2304.09061,
title = {A Scalable Framework for Automatic Playlist Continuation on Music Streaming Services},
author = {Walid Bendada and Guillaume Salha-Galvan and Thomas Bouabça and Tristan Cazenave},
journal= {arXiv preprint arXiv:2304.09061},
year = {2023}
}
备注
Accepted as a Full Paper at the SIGIR 2023 conference