基于图神经网络的艺术家人相似度计算
信息检索
2021-08-02 v1 机器学习
声音
音频与语音处理
摘要
艺术家人相似度在大型音乐集合的组织、理解以及进而促进发现方面起着重要作用。本文提出一种混合方法，利用以三元组损失（triplet loss）训练的图神经网络计算艺术家之间的相似度。使用图神经网络架构的新颖之处在于将艺术家关联图的拓扑与内容特征相结合，将艺术家嵌入到编码相似度的向量空间中。为评估所提方法，我们构建了新 OLGA 数据集，其包含来自 AllMusic 的艺术家相似度以及来自 AcousticBrainz 的内容特征。该数据集含 17,673 位艺术家，是迄今包含基于内容特征的最大规模学术艺术家人相似度数据集。此外，我们还通过使用大得多的专有数据集实验展示了方法的可扩展性。结果表明所提方法优于当前音乐相似度的最优方法（state-of-the-art）。最后，我们希望 OLGA 数据集能促进基于数据驱动的艺术家相似度模型研究。
引用
@article{arxiv.2107.14541,
title = {Artist Similarity with Graph Neural Networks},
author = {Filip Korzeniowski and Sergio Oramas and Fabien Gouyon},
journal= {arXiv preprint arXiv:2107.14541},
year = {2021}
}
备注
Appears in Proc. of the International Society for Music Information Retrieval Conference 2021 (ISMIR 2021)