利用负信号与自注意力进行序列音乐推荐
信息检索
2024-01-22 v2 机器学习
摘要
音乐流媒体服务高度依赖其推荐引擎持续向用户提供内容。因此，序列推荐在当前文献中受到了相当多的关注，其中最先进的方法侧重于利用长短期用户历史与物品特征等上下文信息的自注意力模型；然而，这些研究大多聚焦于长形式内容领域（零售、电影等）而非音乐等短形式内容。此外，许多研究未探索在训练过程中引入会话级负反馈。在本研究中，我们考察了基于 Transformer 的自注意力架构用于学习序列音乐推荐的隐式会话级信息。我们还提出了一种对比学习任务，以融入负反馈（如跳过的曲目），从而提升正样本命中并惩罚负样本命中。该任务被表述为一个简单的损失项，可融入多种用于序列推荐的深度学习架构中。我们的实验表明，相较于忽略用户负反馈的基线架构，这带来了稳定的性能提升。
引用
@article{arxiv.2309.11623,
title = {Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation},
author = {Pavan Seshadri and Peter Knees},
journal= {arXiv preprint arXiv:2309.11623},
year = {2024}
}
备注
Accepted to the 1st Workshop on Music Recommender Systems, co-located with the 17th ACM Conference on Recommender Systems (MuRS @ RecSys 2023)