音乐流媒体应用上用户冷启动推荐的半个性化系统
信息检索
2021-06-08 v1 机器学习
摘要
音乐流媒体服务高度依赖推荐系统来改善用户体验，帮助用户浏览庞大的音乐目录并发现新歌曲、专辑或艺术家。然而，向与目录极少或没有交互的新用户推荐相关且个性化的内容具有挑战性。这通常被称为用户冷启动问题。在这篇应用论文中，我们介绍了最近部署于音乐流媒体服务 Deezer 上以解决该问题的系统。该方案利用基于深度神经网络架构和来自异构信息源的用户聚类的半个性化推荐策略。我们通过离线和在线大规模实验，广泛展示了该系统在预测 Deezer 上冷启动用户未来音乐偏好方面的实际影响与有效性。此外，我们公开了我们的代码以及实验中匿名化的使用数据。我们希望这一工业资源的发布将有益于未来关于用户冷启动推荐的研究。
引用
@article{arxiv.2106.03819,
title = {A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps},
author = {Léa Briand and Guillaume Salha-Galvan and Walid Bendada and Mathieu Morlon and Viet-Anh Tran},
journal= {arXiv preprint arXiv:2106.03819},
year = {2021}
}
备注
27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2021)