使用深度学习的 Spotify 音乐推荐

Dec, 2023

Music Recommendation on Spotify using Deep Learning

Chhavi Maheshwari

TL;DR通过深度学习的方法，该论文旨在进行适当的过滤，以实现最大用户喜好。该架构分别达到了 98.57% 和 80% 的训练和验证准确率。

Abstract

Hosting about 50 million songs and 4 billion playlists, there is an enormous amount of data generated at spotify every single day - upwards of 600 gigabytes of data (harvard.edu). Since the algorithms that spotify

spotify data analysis recommendation systems deep learning user likeability

发现论文，激发创造

相关节奏：发现你可能喜欢的音乐的推荐系统

通过使用机器学习模型及百万曲目数据集，本文提出了一个音乐推荐系统，旨在优化为用户推荐喜欢的歌曲。

Sep, 2023

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

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

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

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

交互式个性化音乐推荐中的探索：一种强化学习方法

本文提出了一种基于强化学习和贝叶斯模型的音乐推荐和播放列表生成方法，探讨了探索和利用用户偏好的平衡，并表明这种新方法具有很强的潜力。

Nov, 2013

通过图神经网络个性化推荐 Spotify 音频书

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

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

通过基于模拟的强化学习的自动音乐播放列表生成

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

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