使用深度学习的 Spotify 音乐推荐
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
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
通过基于异构图神经网络的可扩展推荐系统 2T-HGNN,我们利用 Spotify 的用户偏好,解决了将有声读物推荐给用户所面临的挑战,提高了个性化推荐的质量,并且产生了积极的影响。
Mar, 2024
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
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
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