大规模音乐标注与检索：联合语义空间中的排序学习
机器学习
2015-03-19 v1
摘要
音乐预测任务包括根据歌曲或音频片段预测标签、预测艺术家姓名，或根据歌曲、片段、艺术家姓名或标签预测相关歌曲。也就是说，我们对数据库中不同音乐概念之间的每一种语义关系都感兴趣。在现实规模的数据库中，歌曲数量达数十万甚至更多，艺术家数量达数万甚至更多，这对标准机器学习技术构成了相当大的挑战。在这项工作中，我们提出了一种能够扩展至此类数据集的方法，该方法试图通过在单一低维语义空间中对音频、艺术家姓名和标签进行建模，来捕获数据库项之间的语义相似性。该空间的选择是通过使用多任务学习联合优化感兴趣的预测任务集合来学习的。我们的方法不仅优于基线方法，而且与它们相比速度更快、内存消耗更少。随后我们展示了该方法如何学习一个可解释的模型，其中语义空间能很好地捕获感兴趣的相似性。
引用
@article{arxiv.1105.5196,
title = {Large-Scale Music Annotation and Retrieval: Learning to Rank in Joint Semantic Spaces},
author = {Jason Weston and Samy Bengio and Philippe Hamel},
journal= {arXiv preprint arXiv:1105.5196},
year = {2015}
}