基于循环神经网络的大规模多时间尺度用户建模用于音乐发现
信息检索
2017-08-23 v1
摘要
在线音乐流媒体平台上的内容量巨大，而大多数用户只会接触到其中极小的一部分。推荐系统是向这些用户开放曲库的首选应用。协同过滤的缺点在于它依赖显式评分，而显式评分往往不可用，且通常忽略了音乐消费的时间特性。另一方面，基于物品共现的算法（如最近提出的基于 word2vec 的推荐器）通常缺乏有效的用户表示。本文提出了一种新方法，通过循环神经网络按顺序处理用户消费的项目（由任意类型的嵌入和其他上下文特征表示）来建模用户。这样我们获得了语义丰富的用户表示，能够捕捉用户随时间变化的音乐偏好。我们在大规模用户数据上的实验分析表明，该模型可用于预测用户在短期和长期内可能收听的未来歌曲。
引用
@article{arxiv.1708.06520,
title = {Large-Scale User Modeling with Recurrent Neural Networks for Music Discovery on Multiple Time Scales},
author = {Cedric De Boom and Rohan Agrawal and Samantha Hansen and Esh Kumar and Romain Yon and Ching-Wei Chen and Thomas Demeester and Bart Dhoedt},
journal= {arXiv preprint arXiv:1708.06520},
year = {2017}
}
备注
Author pre-print version, 20 pages, 6 figures, 4 tables