基于音频特征的音乐推荐上下文个性化重排序
信息检索
2020-09-08 v1
摘要
用户能够通过Spotify、Pandora和Deezer等音乐流媒体服务访问数百万首歌曲。对如此庞大曲库的访问，产生了对相关歌曲推荐的需求。然而，用户偏好本质上高度主观，并随上下文而变化（例如，早晨合适的音乐在晚间并不合适）。此外，某一用户在给定上下文可能偏好的音乐，可能不同于另一用户在相同上下文所偏好的音乐（即，何为好的晨间音乐因用户而异）。准确表征这些偏好对于创建准确有效的歌曲推荐至关重要。用户对歌曲的偏好可基于高层音频特征，如节奏与效价。因此，在本文中，我们提出一种上下文重排序算法，其基于用户在特定上下文条件下的偏好的音频特征表示。我们使用#NowPlaying-RS数据集评估我们的重排序算法性能，该数据集由从Twitter爬取的用户收听事件组成，并丰富了歌曲音频特征。我们基于这些音频特征比较了全局（所有用户的上下文）与个性化（每个用户的上下文）模型。全局模型基于所有用户的偏好创建每个上下文条件的音频特征表示。与全局模型不同，个性化模型创建上下文条件的用户特定音频特征表示，并在333个不同用户上进行了度量。我们表明，当使用精确率与平均精确率均值指标评估时，个性化模型优于全局模型。
引用
@article{arxiv.2009.02782,
title = {Contextual Personalized Re-Ranking of Music Recommendations through Audio Features},
author = {Boning Gong and Mesut Kaya and Nava Tintarev},
journal= {arXiv preprint arXiv:2009.02782},
year = {2020}
}
备注
RecSys 2020: CARS 2.0: Workshop on Context-Aware Recommender Systems