在基于内容的音乐推荐中利用对比学习挖掘负偏好
信息检索
2022-07-29 v1 机器学习
摘要
随着机器学习的发展，先进的音乐推荐系统正被引入。然而，设计能够通过理解用户音乐品味而非依靠模型复杂性来提升用户满意度的音乐推荐系统至关重要。尽管若干利用负偏好的音乐推荐系统相关研究已显示出性能提升，但缺乏关于它们如何带来更好推荐的解释。在本工作中，我们通过比较利用偏好（CLEP）但采用三种不同训练策略的 music 推荐模型——利用正负面偏好（CLEP-PN）、仅利用正面偏好（CLEP-P）与仅利用负面偏好（CLEP-N）——来分析负偏好在用户音乐品味中的作用。我们通过使用调查获得的少量个性化数据验证各系统来评估负偏好的有效性，并进一步阐明在音乐推荐中利用负偏好的可能性。我们的实验结果表明，CLEP-N 在准确率与假阳性率上优于其他两者。此外，所提出的训练策略在不同类型的前端音乐特征提取器下均产生一致倾向，证明了所提方法的稳定性。
引用
@article{arxiv.2207.13909,
title = {Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning},
author = {Minju Park and Kyogu Lee},
journal= {arXiv preprint arXiv:2207.13909},
year = {2022}
}
备注
Accepted at 16th ACM Conference on Recommender Systems (ACM RecSys 2022)