内容驱动的音乐推荐：演进、现状与挑战

音乐领域是采用推荐系统技术最重要的领域之一。与大多数主要依赖协同过滤（CF）技术的推荐领域不同，音乐推荐传统上采用基于内容（CB）的方法。近年来，利用协同与内容数据的音乐推荐模型——我们称之为内容驱动模型——已逐渐取代纯CF或CB模型。在本综述中，我们回顾了55篇关于内容驱动音乐推荐的文章。基于详尽的文献分析，我们首先提出一个包含五层的洋葱模型，每一层对应我们识别出的一种音乐内容类别：信号、嵌入式元数据、专家生成内容、用户生成内容和衍生内容。我们沿多个维度对每一类别进行了详细刻画。其次，我们识别出六大总体挑战，并据此组织主要讨论：提升推荐多样性与新奇性、提供透明性与解释、实现上下文感知、推荐音乐序列、改进可扩展性与效率，以及缓解冷启动。每篇文章针对其中一个或多个挑战，并按我们洋葱模型的内容层、文章目标以及主要方法选择进行分类。此外，文章按时间顺序讨论，以阐明内容驱动音乐推荐策略的演进。最后，我们给出了个人遴选的、仍待未来研究解决的持续性重大挑战。