ACM 推荐系统挑战赛 2018 主要关注于自动音乐播放列表的延续性，本文提供了评估数据集、结果和分析，并探讨了索引生成方法的通用性和可能的未来发展方向。

Oct, 2018

本文中，我们提出了三种使用 Mahalanobis 距离的深度学习方法来解决自动播放列表延续问题，并采用了对抗性个性化排名，实验结果表明我们的方法在大规模真实世界数据集上优于八种最先进的模型。

Jun, 2019

该研究探讨使用自回归预测编码（APC）进行生成式预训练学习，以学习有意义、不具体且可传递的语音表示，并经过三个语音应用程序的转移学习实验来验证和评估其效能。该方法不仅在所有 3 个任务上优于表面特征和其他流行的表示学习方法，而且还能够减少下游标注数据大小和模型参数。同时，使用 Transformers 来建模 APC 将优于使用递归神经网络（RNN）方法。

Oct, 2019

使用强化学习技术，在模拟的歌单生成环境中直接优化用户满意度指标，从而实现对大规模和动态候选歌曲集的个性化推荐。通过离线模拟和在线 A/B 测试验证，该方法相对于基线方法在用户满意度指标上表现更好，并且通过模拟器得到的性能评估与在线指标结果强相关。

Oct, 2023

本文针对音乐平台等媒体服务提供商经常使用轮播卡片同用户推荐个性化内容的挑战，将轮播卡片的个性化视为多臂赌博问题，基于级联更新和延迟批量反馈提出了一个框架，并通过实验验证了该框架在全球音乐平台上的可用性。此外，本文公开了实验的工业数据，以及一个开源环境，用于模拟类似的轮播卡片个性化学习问题。

Sep, 2020

我们研究了基于 Transformer 的推荐系统中的算法集体行动。我们的案例是一群粉丝，旨在通过在他们控制的现有播放列表中策略性地放置一首歌曲来提高艺术家的可见性。我们引入了两种易于实施的策略，并在一个主要音乐流媒体平台发布的公开可用的推荐系统模型上测试其有效性。我们的发现显示，即使是小规模的集体（控制少于训练数据的 0.01%）也可以通过策略性地选择插入歌曲的位置实现多达 25 倍的推荐放大。然后，我们着重研究了这种策略的外部性。我们发现对于平台而言，性能损失是微不足道的，而其他歌曲的推荐基本上保持不变，对参与者的用户体验的干扰最小。此外，成本在其他艺术家之间均匀分配。综上所述，我们的发现证明了集体行动策略在推荐系统中既可以有效，又不一定是对抗性的，从而引发了有关激励机制、社会动态和均衡的新问题。

Mar, 2024

本研究提出了一种音乐播放列表描述生成方法，使用音频内容分析和自然语言处理技术，称为音乐字幕生成。

Aug, 2016

本文提出了一种使用艺人 ID 生成播放列表标题的编码器 - 解码器模型，结合时间分割方法来提高效果，该方法显著提高了单词重叠、语义相关性和多样性。

Jan, 2023

本文提出了一种双向无监督模型预训练方法（UPT），并将其应用于儿童自动语音识别，该方法通过自回归预测编码器（APC）和带有双向模型的 Bi-APC，将成人语音数据上的知识传递到儿童语音数据，提高了 LSTM 的基础识别结果。

Feb, 2021

图像平台中的文本生成，特别是与音乐相关的内容，需要对文本样式进行精确控制，同时融入情感表达。但是，现有方法通常需要外部因素在生成的文本中的比例的帮助，并且依赖于离散的输入，缺乏对所需文本生成进行连续控制的条件。本研究提出了一种用于受控文本生成的连续参数化方法（CPCTG），以克服这些限制。我们的方法利用语言模型（LM）作为样式学习器，整合语义凝聚力（SC）和情感表达比例（EEP）考虑。通过改进奖励方法和操纵 CPCTG 级别，我们在播放列表描述和音乐主题生成任务上进行的实验证明了 ROUGE 得分的显著提高，表明生成文本的相关性和连贯性得到了增强。

Oct, 2023