通过图神经网络实现 Spotify 的个性化有声书推荐
信息检索
2024-03-11 v1 机器学习
摘要
在不断发展的数字音频领域，以音乐和谈话内容闻名的 Spotify 最近向其庞大的用户群推出了有声书。虽然前景广阔，但这一举措为个性化推荐带来了重大挑战。与音乐和播客不同，有声书最初是付费提供的，购买前不易浏览，这对推荐的相关性提出了更高要求。此外，将新内容类型引入现有平台面临着极端的数据稀疏性问题，因为大多数用户不熟悉这种新内容类型。最后，向数百万用户推荐内容要求模型反应迅速且具有可扩展性。为应对这些挑战，我们利用播客和音乐的用户偏好，推出了 2T-HGNN，这是一个可扩展的推荐系统，由异构图神经网络 (HGNN) 和双塔 (2T) 模型组成。这种新颖方法揭示了细微的项目关系，同时确保了低延迟和低复杂度。我们将用户从 HGNN 图中解耦，并提出了一种创新的多链接邻居采样器。这些选择与 2T 组件相结合，显著降低了 HGNN 模型的复杂度。涉及数百万用户的实证评估显示，个性化推荐质量显著提高，新有声书开始率增加了 46%，流媒体播放率提升了 23%。有趣的是，我们模型的影响超出了有声书范畴，惠及了播客等成熟产品。
引用
@article{arxiv.2403.05185,
title = {Personalized Audiobook Recommendations at Spotify Through Graph Neural Networks},
author = {Marco De Nadai and Francesco Fabbri and Paul Gigioli and Alice Wang and Ang Li and Fabrizio Silvestri and Laura Kim and Shawn Lin and Vladan Radosavljevic and Sandeep Ghael and David Nyhan and Hugues Bouchard and Mounia Lalmas-Roelleke and Andreas Damianou},
journal= {arXiv preprint arXiv:2403.05185},
year = {2024}
}
备注
To appear in The Web Conference 2024 proceedings