图谱无处不在——在音乐推荐中也能发现宝藏！
信息检索
2025-04-07 v2
摘要
近年来，图谱在诸多领域，尤其是推荐系统中获得了突出地位。在音乐推荐领域，图谱在通过整合梅尔频率cepstral系数 (MFCC) 与高级图嵌入来增强基于流派的推荐方面发挥着关键作用。本研究探讨了图卷积网络 (GCN)、GraphSAGE 和 Graph Transformer (GT) 模型在学习捕捉图结构中表示音乐项目与流派之间复杂关系的嵌入方面的效能。通过对多样化的真实世界音乐数据集进行全面实证评估，我们的发现一致表明，这些图谱方法优于仅依赖 MFCC 特征或协同过滤技术的传统方法。具体而言，图谱增强模型在预测流派特定偏好方面取得了显著更高的准确率，并为用户提供相关的音乐建议。这些结果凸显了利用图嵌入丰富特征表示并利用音乐数据中潜在关联的有效性，从而说明其潜力以推动个人化和情境感知音乐推荐系统能力的提升。
引用
@article{arxiv.2504.02598,
title = {Graphs are everywhere -- Psst! In Music Recommendation too},
author = {Bharani Jayakumar and Orkun Özoğlu},
journal= {arXiv preprint arXiv:2504.02598},
year = {2025}
}
备注
5 pages, 4 figures, 2 tables, and a few equations