基于上下文的音乐推荐算法评估
信息检索
2021-12-21 v1 机器学习
声音
摘要
人工智能（AI）已非常成功地根据在线用户的数据为其创建和预测音乐播放列表；这些数据来自用户使用应用程序的体验，例如搜索他们喜欢的歌曲。由于 Spotify、Pandora 等音乐平台所有者之间的竞争，AI 目前有许多技术进步。在本文中，探索了 6 种机器学习算法及其在预测用户是否会喜欢某首歌曲方面的各自准确率，涵盖 Weka、SKLearn 和 Orange 这 3 个不同平台。所探索的算法包括逻辑回归、朴素贝叶斯、序列最小优化（SMO）、多层感知机（神经网络）、最近邻和随机森林。借助 Spotify API [1] 提供的每首歌曲的具体特征，随机森林是预测用户是否会喜欢某首歌曲最成功的算法，准确率为 84%。这高于 Mungekar 使用随机森林技术和略有不同的歌曲特征所得到的 82.72% 准确率 [2]。Mungekar 的随机森林算法中的特征更侧重于艺术家和流行度，而非歌曲的声学特征。去除流行度方面并纯粹关注声学品质提高了推荐的准确率。最后，本文展示了如何在无任何资金投入的情况下完成歌曲预测，从而启发了在充足财务研究下可取得惊人成果的想法。
引用
@article{arxiv.2112.10612,
title = {Context-Based Music Recommendation Algorithm Evaluation},
author = {Marissa Baxter and Lisa Ha and Kirill Perfiliev and Natalie Sayre},
journal= {arXiv preprint arXiv:2112.10612},
year = {2021}
}