在内容感知音乐推荐中利用音乐偏好结构
信息检索
2021-02-10 v2 声音
音频与语音处理
摘要
最先进的音乐推荐系统基于协同过滤，通过其收听习惯以及与其他用户画像的相似性来预测用户兴趣。这些方法对歌曲内容不可知，因此面临冷启动问题：在没有收听历史时无法推荐新歌。为解决此问题，内容感知推荐引入了可用于推荐新项的歌曲信息。此类大多数方法利用用户标注标签、声学特征或深度学习的特征。因而，这些内容特征不具备明确的音乐含义，从音乐偏好视角看未必相关。本文提出转而利用源自音乐心理学领域的音乐偏好模型。我们从低层声学特征中提取三个因子（唤醒度、效价和深度），其已被证明适于描述音乐品味。随后我们将这些因子整合进协同过滤框架以实现内容感知音乐推荐。在大规模数据上的实验表明，该方法能够解决冷启动问题，同时使用紧凑且具意义的音乐特征集合。
引用
@article{arxiv.2010.10276,
title = {Leveraging the structure of musical preference in content-aware music recommendation},
author = {Paul Magron and Cédric Févotte},
journal= {arXiv preprint arXiv:2010.10276},
year = {2021}
}