面向冷启动音乐推荐的神经内容感知协同过滤
信息检索
2022-07-21 v3
摘要
最先进的音乐推荐系统基于协同过滤，其从可用的收听数据中学习用户与歌曲之间的相似性。这些方法固有地面临冷启动问题，因为它们无法推荐没有收听历史的新歌曲。内容感知推荐通过在协同过滤之上融入歌曲的内容信息来解决此问题。然而，属于该类别的方法依赖于源自矩阵分解框架的浅层用户/物品交互。在这项工作中，我们引入神经内容感知协同过滤，一个统一的框架，它缓解了这些限制，并将最近提出的神经协同过滤扩展为其内容感知对应物。我们提出一个生成模型，利用深度学习从低级声学特征中提取内容信息，并对用户与歌曲嵌入之间的交互建模。深度内容特征提取器既可直接预测物品嵌入，也可作为正则化先验，从而产生我们模型的两种变体(严格与松弛)。实验结果表明，所提方法在冷启动音乐推荐任务上达到了SOTA结果。我们特别观察到，在内容感知框架中利用深度神经网络学习精细的用户/物品交互优于使用更简单交互模型的方法。
引用
@article{arxiv.2102.12369,
title = {Neural content-aware collaborative filtering for cold-start music recommendation},
author = {Paul Magron and Cédric Févotte},
journal= {arXiv preprint arXiv:2102.12369},
year = {2022}
}