SIGIRJul, 2020

基于音乐收听和口味为冷启动用户推荐播客

PDF
TL;DR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。
recommender systemspodcastinguser preferencecold-start problemmusic data
发现论文，激发创造
  • 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

  • 一种用于冷启动音乐推荐的深度多模态方法

    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

  • 基于提示的个性化冷启动推荐

    本研究提出了一种基于预训练语言模型的情感分析方法来解决冷启动问题，并引入了一个评估方法来验证其有效性。

    Jun, 2023

  • 推荐系统中的冷启动商品推广

    通过使用二分网络表示法，本文针对冷启动问题，旨在探讨在推荐系统中如何设计高效的营销策略，并通过实验发现，将新商品与一些不太活跃的用户联系起来比简单地将新商品推送给活跃用户更具效果。

    Apr, 2014

  • 音乐推荐的深度内容 - 用户嵌入模型

    本文提出了一种深度内容 - 用户嵌入模型，它采用混合方法解决了冷启动问题，并考虑了不同模式数据的联合，同时在音乐推荐和音乐自动标记任务中，表现出了明显的优势。

    Jul, 2018

  • 长期音频推荐的优化：强化学习视角

    本文旨在通过强化学习模型，设计一个面向长期个性化推荐的算法，并验证其在千万用户下行业内的显著性能提升。

    Feb, 2023

  • 播客抽象摘要的基准分析

    使用 Spotify Podcast 数据集对 Podcast 的 summarization 进行基础分析，以帮助研究者了解现有的预训练模型并构建更好的模型。

    Aug, 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

  • 集体矩阵分解中的冷启动推荐

    本研究探讨集体矩阵分解模型在推荐系统中的应用，提出了一种新的公式，可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品，虽然冷启动推荐不如热启动的推荐准确，但比非个性化推荐效果更好，而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐，但热启动推荐效果有所下降。

    Sep, 2018

  • 利用用户收听数据学习音频嵌入以进行基于内容的音乐推荐

    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