基于对抗性马氏距离与注意力机制的歌曲推荐模型用于自动播放列表续编
信息检索
2019-06-11 v1 机器学习
声音
音频与语音处理
摘要
在本文中，我们旨在通过仅利用用户、播放列表与歌曲之间的交互数据来建模其复杂交互，以解决自动播放列表续编（APC）问题。先前方法主要依赖点积来刻画相似性，这并不理想，因为点积并非度量学习，因而无法传达重要的不等性性质。基于该观察，我们提出三种利用马氏距离的新型深度学习方法。我们的第一种方法利用用户-播放列表-歌曲交互，并组合（i）目标用户与目标歌曲之间以及（ii）目标播放列表与目标歌曲之间的马氏距离分数，以同时刻画用户偏好与播放列表主题。我们的第二种方法通过考虑目标歌曲与目标播放列表中各成员歌曲（即已有歌曲）之间的马氏距离分数来度量歌曲-歌曲相似性。各距离分数的贡献由我们提出的基于记忆度量的注意力机制来度量。在第三种方法中，我们将前两个模型融合为统一模型以进一步提升性能。此外，我们采用并定制了对抗个性化排序（APR）用于我们的三种方法，以进一步增强其鲁棒性与预测能力。通过大量实验，我们表明所提模型在两个大规模真实世界数据集上优于八个最先进模型。
引用
@article{arxiv.1906.03450,
title = {Adversarial Mahalanobis Distance-based Attentive Song Recommender for Automatic Playlist Continuation},
author = {Thanh Tran and Renee Sweeney and Kyumin Lee},
journal= {arXiv preprint arXiv:1906.03450},
year = {2019}
}