人们为何跳过音乐？基于深度强化学习的音乐跳过行为预测
信息检索
2023-01-11 v1
摘要
音乐推荐系统是我们日常生活中不可或缺的一部分。近期研究在基于黑盒推荐的方法（如深度强化学习（DRL））上投入了大量努力。这些进展，连同对用户数据收集与隐私日益增加的关注，引发了构建负责任推荐系统的强烈兴趣。成功的音乐推荐系统的关键要素之一是建模用户与流媒体内容的交互。通过首先理解这些交互，可以提取见解以构建更透明和负责任的系统。这些交互的一个例子是跳过行为，这是一种可衡量用户满意、不满或缺乏兴趣的信号。本文中，我们研究用户历史数据在顺序预测用户跳过行为任务中的效用。为此，我们将 DRL 适配于该分类任务，随后对输入状态表示进行事后可解释性（SHAP）和消融分析。来自真实世界音乐流媒体数据集（Spotify）的实验结果证明了我们的方法在该任务中优于最先进（SOTA）模型的有效性。对我们方法和用户历史数据的全面分析揭示了数据集中的时间数据泄漏问题。我们的发现表明，总体而言，用户行为特征在我们提出的 DRL 模型预测音乐跳过时最具判别力。内容和上下文特征影响较小。这表明应收集和利用有限量的用户数据来预测跳过行为。
引用
@article{arxiv.2301.03881,
title = {Why People Skip Music? On Predicting Music Skips using Deep Reinforcement Learning},
author = {Francesco Meggetto and Crawford Revie and John Levine and Yashar Moshfeghi},
journal= {arXiv preprint arXiv:2301.03881},
year = {2023}
}
备注
Accepted at CHIIR 2023