本研究旨在探讨利用心理模型来预测用户的音乐素养和在线音乐听取行为的关系，以及在线听取行为对于推断用户音乐素养的能力。通过对 61 名参与者的数据进行分析表明，用户的音乐听取行为可以成功地推断出他们的音乐素养。

Aug, 2018

通过对音乐流媒体服务使用者在时间维度上的行为进行研究，探讨了用户在何时停止听一首歌并开始播放下一首的现象（“跳过”），结果发现跳过事件的时间分布与歌曲的音乐结构是有相关性的；同时，该分布不仅是特定于个别歌曲，而且独立于用户群组和观察日期。最后，使用用户行为数据训练出一种仅依靠歌曲的声学内容来预测歌曲音乐结构的算法，表明这种利用音乐流媒体服务中大量可用的数据训练算法相较于传统算法可以获得显著的精确度提升。

Mar, 2019

研究使用用户的音乐消费行为来预测 Spotify 用户对超过 200,000 个播客的偏好，以解决推荐系统中的冷启动问题，并发现使用这种方法可以提高用户的媒体消费量。

Jul, 2020

在数字音乐流媒体时代，Spotify 平台上的播放列表已成为个人音乐体验的重要组成部分，本文研究了 Spotify 用户的属性与其公开播放列表之间的关系，并创建了准确的预测模型。

Jan, 2024

本文提出了一种基于强化学习和贝叶斯模型的音乐推荐和播放列表生成方法，探讨了探索和利用用户偏好的平衡，并表明这种新方法具有很强的潜力。

Nov, 2013

研究如何整合用户个性和情感状态以建立一个能关注音乐的心理和情感因素的自动化推荐系统，从而改善音乐推荐的质量。

May, 2022

我们通过使用来自 Spotify 的数据，研究了影响人与人之间音乐推荐和发现结果的社会和环境因素，发现接收者与分享者的音乐品味相似、分享的歌曲适合接收者的口味、接收者与分享者的联系较强以及分享的艺术家受到接收者关注的程度是接收者与新艺术家互动的重要要素，并构建了一个随机森林分类器来预测分享的音乐是否会引起接收者与分享的艺术家之间的互动。这些研究结果揭示了音乐发现和社会过程之间多方面机制的新见解。

Jan, 2024

通过使用机器学习模型及百万曲目数据集，本文提出了一个音乐推荐系统，旨在优化为用户推荐喜欢的歌曲。

Sep, 2023

调查了在 few-shot 设置中对文本到音乐扩散模型进行个性化的工作。首次探索了将预训练的文本到音频扩散器与两种常用的个性化方法结合的组合。实验了音频特定数据增强对系统整体性能的影响，并评估了不同的训练策略。构建了一个包含提示和音乐片段的新数据集进行评估，使用基于嵌入和基于音乐的量化评估指标，以及用户研究进行定性评估。分析表明相似度度量与用户偏好一致，并且当前的个性化方法更容易学习到节奏音乐结构而非旋律。该研究的代码、数据集和示例资料对研究社区开放。

Sep, 2023

通过歌词分析、心理测量分数以及机器学习，研究了个体音乐偏好与道德价值观之间的关联，发现音乐歌词可以很好地预测人们的道德观念，而传统和分层的价值观更容易通过歌词体现。

Sep, 2022