本文提出一种基于艺术家成瘾影响的概率模型，以分析人们的音乐收听行为，并使用实际数据集展示了该模型的有效性，进而从新的视角分析了人们如何根据一天的时间以及艺术家的歌曲收听情况来听音乐，探讨了应用分析结果的可能性，如相似艺术家订阅和推荐歌曲等。

May, 2017

通过使用现代深度概率生成模型以及扩散模型的形式，我们能够计算音乐输入序列的近似可能性，并发现这种模型能够更准确地表示人类听众对音乐的 “惊讶”，进而发展现代音乐期望和主观喜好的深度生成模型的初步步骤。

Oct, 2023

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

通过开发计算化方法，从中国社交音乐平台上的四亿多听众评论中度量音乐情感反应，并测试了影响听众情感反应的各种因素，包括音乐、歌词、情境、人口统计、心理卫生等，最终发现了影响平台用户自披露的因素、社交支持以及披露者用户活跃度上的显著差异。

Oct, 2022

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

通过基于预测编码的神经网络模型研究人类音乐感知，模型经过大量 Classic 音乐和流行旋律训练后，发现预测误差依赖于音符，音高间隔和时间上下文等信息，提示可用预测编码神经网络来表征影响音乐感知的特征和主题。

Oct, 2022

通过对音乐情感的计算模型进行研究，本文试图预测音乐片段的情感变化以及确保平稳过渡的下一个情感值，以提供在治疗和音乐排队中的应用。

Feb, 2024

本文研究了音乐流行度的定义、特征及其是否可预测，定义了 8 个流行度度量，通过长期真实世界图表数据进行分析并使用声学数据建立分类模型进行预测。结果表明，使用音频信号，尤其是复杂度和 MFCC 特征，可以明显提高歌曲流行度度量的预测性能。

Dec, 2018

本文提出了通过心理学模型来设计符合用户时间变化偏好的推荐系统的方法，并讨论了心理模型对推荐系统的影响以及其对系统设计和性能评估的启示。

Aug, 2022

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