融合个性化流行度感知以提升顺序音乐推荐
信息检索
2024-09-09 v1
摘要
在音乐推荐领域，顺序推荐系统在捕捉音乐消费的动态特性方面显示出前景。然而，传统基于Transformer的模型（如SASRec和BERT4Rec），虽然有效，却面临音乐聆听习惯独特性挑战。事实上，现有模型在因用户偏好快速变化而难以创建连贯的聆听体验。此外，音乐消费以反复聆听为特征，即用户频繁返回其最喜爱的曲目，这一信号可被建模为个人或个性化流行度。这篇论文通过引入融合个性化流行度信息的新方法来解决这些挑战。通过将用户-项目流行度得分与模型生成的得分相结合，我们的方法有效平衡了对新音乐的探索与满足用户偏好的需求。实验结果表明，基于用户特定流行度的推荐器（仅基于用户特定流行度的方法）超越了现有的前沿模型。此外，将个性化流行度感知augmented于基于Transformer的模型，可实现优异的性能，显示出25.2%至69.8%的提升。本论文的代码可在 https://github.com/sisinflab/personalized-popularity-awareness 查阅。
引用
@article{arxiv.2409.04329,
title = {Enhancing Sequential Music Recommendation with Personalized Popularity Awareness},
author = {Davide Abbattista and Vito Walter Anelli and Tommaso Di Noia and Craig Macdonald and Aleksandr Vladimirovich Petrov},
journal= {arXiv preprint arXiv:2409.04329},
year = {2024}
}
备注
Accepted by RecSys'24 as an LBR paper