评估用于生成本地音乐播放列表的推荐系统算法
信息检索
2019-07-23 v1 机器学习
机器学习
摘要
我们探索本地音乐推荐任务：为听众提供由那些多数现场演出位于较小地理区域内的艺术家所演唱的相关曲目的个性化播放列表。大多数本地艺术家往往是不知名的长尾艺术家，通常与之相关的可用用户偏好数据很少甚至没有。这为依赖大量此类信息以做出准确推荐的基于协同过滤的推荐算法带来了冷启动问题。在本文中，我们使用 Million Playlist Dataset 比较了三种标准推荐系统算法（Item-Item Neighborhood（IIN）、Alternating Least Squares for Implicit Feedback（ALS）和 Bayesian Personalized Ranking（BPR））在本地音乐推荐任务上的表现。为此，我们修改了标准评估流程，使算法仅针对八个不同城市各自对本地艺术家的曲目进行排名。尽管基于矩阵分解的技术（ALS、BPR）通常在大型推荐任务上表现最佳，我们发现基于邻域的方法（IIN）在长尾本地音乐推荐中表现最好。
引用
@article{arxiv.1907.08687,
title = {Evaluating Recommender System Algorithms for Generating Local Music Playlists},
author = {Daniel Akimchuk and Timothy Clerico and Douglas Turnbull},
journal= {arXiv preprint arXiv:1907.08687},
year = {2019}
}