自举对比学习增强的音乐冷启动匹配

我们研究一个称为音乐冷启动匹配的特定匹配任务。简言之，给定冷启动歌曲请求，我们期望检索具有相似受众的歌曲，然后将冷启动歌曲快速推送给所检索歌曲的受众以使其预热。然而，几乎尚无关于该任务的研究。因此，本文将详细形式化音乐冷启动匹配问题并给出一种方案。在离线训练期间，我们尝试基于歌曲内容特征学习高质量歌曲表示。但我们发现监督信号通常遵循幂律分布，导致表示学习偏斜。为解决此问题，我们提出一种称为自举对比学习（BCL）的新颖对比学习范式，通过施加对比正则化提升所学表示的质量。在在线服务期间，为更精准定位目标受众，我们提出基于聚类的受众定向（CAT），其对受众表示聚类以获取少量簇质心，随后通过度量受众表示与簇质心间的相关性来定位目标受众。在离线数据集与在线系统上的大量实验证明了我们方法的有效性与高效性。目前，我们已将其部署于网易云音乐，影响数百万用户。代码将于未来发布。