使用多RNN方法建模音乐曲目的顺序跳过行为
信息检索
2019-03-21 v1 机器学习
摘要
对音乐曲目的顺序跳过行为进行建模，使流媒体公司能够更好地理解用户群体的需求，从而通过减少手动跳过某些音乐曲目的需要来改善用户体验。本文描述了哥本哈根大学DIKU-IR团队在“Spotify顺序跳过预测挑战赛”中的解决方案，该任务的目的是基于音乐聆听会话的前半部分来预测后半部分的跳过行为。我们使用由两个不同的堆叠循环神经网络组成的多RNN方法来建模该任务，其中一个网络专注于编码会话的前半部分，另一个网络专注于利用该编码进行顺序跳过预测。编码器网络由一个学习得到的会话级音乐编码初始化，并且两者都利用学习得到的曲目嵌入。我们的最终模型由 individually trained models 的多数投票集成组成，在45支参赛队伍中排名第2，平均准确率为0.641，首次跳过预测的准确率为0.807。我们的代码发布于 https://github.com/Varyn/WSDM-challenge-2019-spotify。
引用
@article{arxiv.1903.08408,
title = {Modelling Sequential Music Track Skips using a Multi-RNN Approach},
author = {Christian Hansen and Casper Hansen and Stephen Alstrup and Jakob Grue Simonsen and Christina Lioma},
journal= {arXiv preprint arXiv:1903.08408},
year = {2019}
}
备注
4 pages