Mar, 2019

音乐流媒体服务用户的跳跃行为及其与音乐结构的关系研究

PDF
TL;DR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。
music streaming servicesskipping eventsmusical structureuser behavior dataalgorithms
发现论文，激发创造
  • 品味还是成瘾？：使用游戏日志推断歌曲选择动机

    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

  • 从音乐聆听行为预测音乐造诣：一项初步研究

    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

  • 流式音乐内容中的少样本序列跳过预测

    该研究论文介绍了应用于 WSDM Cup 2019 Spotify Sequential Skip Prediction Challenge 竞赛中的算法，其中提供了声学特征和用户交互日志等完整信息。我们提出了两种不同的基于度量学习和序列学习的算法，实验结果表明序列学习方法比度量学习方法更优，此外，我们进行了额外的实验，发现使用完整的用户日志信息可以显著提高性能。

    Jan, 2019

  • 媒体流媒体的使用时间预测

    通过真实数据集，使用生存分析技术对移动在线服务中的会话时长进行了分析，针对会话开始时可用信息使用梯度提升树进行预测，本文提出的技术在真实数据上优于现有基线模型。

    Aug, 2017

  • 音乐流媒体会话数据集

    该研究介绍了一个音乐收听数据集，可用于研究机器学习中的用户行为与音乐交互，并提供元数据和推荐行为分析，支持求解问题如自动化推荐和音乐信息检索等。

    Dec, 2018

  • 从公开的 Spotify 播放列表中挖掘用户属性

    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

  • 音乐流媒体应用用户冷启动推荐的半个性化系统

    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

  • 学习音乐有助于阅读：利用迁移研究语言模型中的语言结构

    本文提出了迁移学习作为一种分析神经语言模型中语法结构编码的方法，并发现训练模型在具有潜在结构的非语言数据上，如 MIDI 音乐或 Java 代码，可以提高模型在自然语言上的测试性能。作者还通过实验发现，在人工括号语言数据的训练中，模型对于层级递归结构的学习也有助于提高在自然语言测试上的性能，并且迁移学习的性能与语言类型的句法相似性密切相关，说明模型的预训练是具有学科跨越性质的。

    Apr, 2020

  • 心理学启发的音乐推荐系统

    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

  • 探索音乐的情绪轨迹：基于 Spotify 音乐数据的愉悦度趋势和音乐流派变化分析

    通过使用 Spotify 音乐数据，包括通过 Spotipi API 提取的音频特征和愉悦度分数，对音乐情感和趋势进行了复杂的分析。研究采用回归建模、时间分析、情绪转换和流派调查，揭示了音乐与情感之间的模式。

    Oct, 2023