音乐推荐的深度内容 - 用户嵌入模型
通过深度神经网络结构,结合文本和音频信息以及用户反馈数据,从艺术家的传记和可用反馈数据中学习艺术家和音轨的嵌入向量,并在多模态网络中将其组合,以解决音乐流媒体服务中的冷启动问题并提高精度。
Jun, 2017
使用用户的听歌历史和个人信息,借助于度量学习及 Siamese 网络,构建出用户嵌入和音频嵌入表示,从而提出了基于内容的音乐推荐方法,并将音频嵌入作为音乐类型分类任务的特征。实验结果表明,该方法达到了最新的性能。
Oct, 2020
本文介绍了一种混合矩阵分解模型,通过将用户和项目表示为其内容特征的潜在因素的线性组合,能在各种情况下优于协同过滤、基于内容的模型,特别是在使用用户和项目元数据进行稀缺交互数据的情况下表现优异,并在交互数据丰富的情况下至少与纯协议矩阵分解模型表现一样好,产生的特征嵌入编码了语义信息,类似于词嵌入方法,使它们对一系列相关任务如标签推荐非常有用。
Jul, 2015
本文提出一种由协同过滤数据样本优化得到的基于内容相似度度量的音乐推荐系统,能够对于新颖或不受欢迎音乐领域的查询给出高精度和高效率的回答,并且在实验中得出了显著的精度改善。
May, 2011
该论文介绍了 Deezer 音乐流媒体服务中针对用户冷启动问题的半个性化推荐系统,该系统应用深度神经网络架构和用户聚类技术,通过离线和在线实验证明了该系统有效性,并发布了代码和匿名使用数据,以帮助未来的用户冷启动推荐研究。
Jun, 2021
本文研究深度音频嵌入技术对于音乐情感识别领域的应用,探讨了 L3-Net 和 VGGish 等深度音频嵌入方法在情感识别上的表现,结果表明这些方法可有效提高基线情感识别模型的性能,且不需要人工专家工程。
Apr, 2021
本研究在音乐 / 视频跨模态推荐方面采用自监督学习范式,并利用预训练的 MuSimNet,OpenL3,MusicCNN 或 AudioSet 等音频嵌入来大幅改善推荐效果。其中,通过跨模态三元组损失进行学习比通常自监督学习采用的二元交叉熵损失具有更好的效果,验证了 VM-NET 的有效性。
Apr, 2021
本文研究了多模态推荐中 ID 嵌入的价值和语义特征,并提出了一种新的推荐模型,通过引入 ID 嵌入来增强内容和结构的语义特征。通过层次化注意机制和对比学习,提高了内容表示,并利用轻量级图卷积网络和 ID 嵌入改进了结构表示,最后将内容和结构表示相结合形成最终的物品嵌入。实验结果证明了我们方法在多个真实数据集上的优越性和对精细 ID 嵌入的有效性。
Nov, 2023
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
最新 MIR 发展下,利用深度学习模型进行广泛任务的领域中,关于不同音乐文化间能否使用这些模型来学习音乐表现以及是否能建立类似的音乐音频嵌入模型的研究问题引起关注。为此,我们利用迁移学习方法来探索不同音乐文化之间的相似性,并通过在西方音乐数据集、东地中海传统 / 民族数据集和印度艺术音乐数据集间训练和迁移三种不同的深度音频嵌入模型(包括两个基于卷积神经网络和一个 Transformer 架构的模型)进行自动标签化的实验,结果表明在所有领域均通过迁移学习获得了有竞争力的表现,但对于每种音乐文化来说,最佳源数据集有所不同。实现代码和训练好的模型都提供在公共存储库中。
Jul, 2023