Discovery Dynamics: Leveraging Repeated Exposure for User and Music Characterization
重复性音乐消费是一种普遍现象。与书籍和电影等其他媒体的消费相比，它的频率明显更高。在本文中，我们表明，一个特别有趣的重复行为时，用户正在消费新的项目。用户的兴趣倾向于随着第一次重复而上升，并达到一个峰值，之后兴趣将随着随后的曝光而下降，从而导致倒U形。这种行为在心理学中得到了广泛的研究，被称为单纯暴露效应。在本文中，我们展示了一些因素，内容和用户为基础的，有据可查的文献中的单纯曝光效果，调制效果的大小。由于用户每天在音乐流媒体平台上发现新歌的数据的大量可用性，这些发现使得能够以新的方式来表征音乐，用户及其关系。最终，它开辟了开发新的推荐系统范例的基础上，这些特征的可能性。
2022-10-28 cs.HC cs.IR
Link Me Baby One More Time: Social Music Discovery on Spotify
Spotify
本文利用 Spotify 数据研究社交关系、音乐品味契合度和艺术家社交热度等因素对音乐推荐链接接收者互动行为的影响，并基于这些发现构建 Random Forest 分类器进行预测。
2024-05-07 cs.IR cs.LG cs.SI
Explainable Recommendations at Scale: LLM Rationales for YouTube Music Artist Discovery
Google LLC（谷歌有限责任公司）
本文通过解耦架构离线预计算LLM理由说明，在YouTube Music上实现大规模可解释推荐，显著提升用户探索和参与度。
2026-09-22 cs.AI cs.IR
Exploring Diverse Sounds: Identifying Outliers in a Music Corpus
Creativity and Cognition Studios（创意与认知工作室）；Faculty of Engineering and IT（工程与信息技术学院）；University of Technology Sydney（悉尼科技大学）
本文针对音乐推荐偏重相似性的问题，提出并定义“Genuine”音乐离群值，论证其可揭示艺术家曲目的独特面向并促进多样性音乐发现。
2024-04-09 cs.IR cs.SD eess.AS
Machine Learning Approaches to Hybrid Music Recommender Systems
音乐推荐系统已经成为支持在线音乐流服务、在线音乐商店和私人收藏中对越来越大的音乐目录的访问的关键技术。用户与大型音乐目录的交互是一个复杂的现象，从不同的学科研究。我们调查我们的工作，调查混合音乐推荐系统的机器学习和数据采掘方面（即，集成不同推荐技术的系统）。我们提出了混合音乐推荐系统，完全基于数据和强大的所谓的“冷启动问题”的新音乐项目，有利于发现相关的，但非流行音乐。我们深入研究了音乐播放列表延续的具体任务，通过分析基本的播放列表特征，歌曲特征表示，以及播放列表和其中的歌曲之间的关系。
2018-07-16 cs.IR
GATSY: Graph Attention Network for Music Artist Similarity
本文提出基于图注意力网络和聚类嵌入的推荐系统GATSY，利用图拓扑结构解决艺术家相似度的主观性挑战，实现多样化音乐推荐且性能优于现有方案。
2025-06-26 cs.IR
The Music Meta Ontology: a flexible semantic model for the interoperability of music metadata
King’s College London（伦敦国王学院）；University of Bologna（博洛尼亚大学）
针对音乐元数据语义描述的开放性挑战，本研究提出灵活的Music Meta本体，遵循eXtreme Design等方法构建，支持多模式对齐与数据转换，助力音乐数据集的互操作与知识应用。
2023-11-07 cs.AI cs.IR cs.MM
Ephemeral Context to Support Robust and Diverse Music Recommendations
虽然基于上下文的音乐推荐的先前工作集中在固定的上下文集（例如，步行，驾驶，慢跑），我们建议使用多个传感器和外部数据源来描述瞬时（短暂的）上下文以丰富的方式与大量的可能状态（例如，慢跑沿着在悉尼市中心的大雨下，在晚上累了，生气）。通过我们的方法，我们解决了当前方法面临的问题：1）从缺失或错误的传感器数据推断上下文的能力有限; 2）无法使用上下文信息来支持新内容发现。
2017-08-09 cs.IR
Music Auto-Tagging with Robust Music Representation Learned via Domain Adversarial Training
Seoul National University（首尔大学）
针对现有音乐信息检索模型难抗真实噪声的问题，本研究引入带域分类器预训练的域对抗训练学习鲁棒音乐表征，结合合成带噪数据与无标注数据提升音乐自动标注性能与泛化能力。
2024-01-27 cs.AI cs.IR cs.SD
Mostra: A Flexible Balancing Framework to Trade-off User, Artist and Platform Objectives for Music Sequencing
我们考虑在音乐流媒体平台上对曲目进行排序的任务，其目标不仅是最大限度地提高用户满意度，而且是以艺术家和平台为中心的目标，这是确保平台长期健康和可持续性所必需的。接地的工作在四个目标：SAT，发现，曝光和升压，我们强调需要和潜力，权衡这些目标的性能，并提出Mostra，一个基于集合变换器的编码器-解码器架构配备了子模块化多目标束搜索解码。该模型为系统设计者提供了平衡多个目标的能力，并动态控制对一个目标的影响以满足其他目标。通过对来自大规模音乐流媒体平台的数据进行广泛的实验，我们提出了对不同目标之间存在的权衡的见解，并证明了所提出的框架可以在各种感兴趣的指标之间实现卓越的，及时的平衡。
2022-04-22 cs.IR
From Data Complexity to User Simplicity: A Framework for Linked Open Data Reconciliation and Serendipitous Discovery
本文提出一个框架，通过Polifonia门户案例，实现链接开放数据的调和与用户友好的偶然发现界面，解决音乐遗产领域的数据复杂性问题。
2024-05-24 cs.IR
Track Mix Generation on Music Streaming Services using Transformers
Deezer（Deezer（迪泽））
本文介绍了Deezer的Track Mix系统，该系统利用在数百万用户播放列表序列上训练的Transformer模型自动生成个性化混搭播放列表，并分析了相比协同过滤方法的优劣，已服务于每日数百万用户。
2023-07-06 cs.IR cs.LG cs.SD
Diff4Steer: Steerable Diffusion Prior for Generative Music Retrieval with Semantic Guidance
University of Toronto（多伦多大学）；Google Research（谷歌研究）；Google DeepMind（谷歌DeepMind）；Seoul National University（首尔国立大学）
Diff4Steer提出用轻量扩散模型生成多样种子嵌入作为检索先验，支持图像或文本引导，优于确定性回归和LLM基线，提升音乐检索的多样性与相关性。
2024-12-06 cs.IR cs.MM cs.SD
Tracing Affordance and Item Adoption on Music Streaming Platforms
本文基于 Deezer 用户两年数据，考察自然、算法与编辑三类平台可供性及推荐采纳行为，揭示用户实践高度异质、不存在统一采纳模式。
2025-01-17 cs.IR
Artist Similarity with Graph Neural Networks
Pandora Media LLC.（潘多拉媒体有限责任公司）
艺术家的相似性在组织、理解和随后促进发现大量音乐收藏方面起着重要作用。在本文中，我们提出了一种混合的方法来计算艺术家之间的相似性，使用图神经网络训练与三重损失。使用图神经网络架构的新颖之处在于将艺术家连接图的拓扑结构与内容特征相结合，以将艺术家嵌入到编码相似性的向量空间中。为了评估所提出的方法，我们编译了新的OLGA数据集，其中包含来自AllMusic的艺术家相似性，以及来自AcousticBrainz的内容特征。这是迄今为止最大的包含基于内容特征的学术艺术家相似性数据集，共有17，673名艺术家。此外，我们还通过实验更大的专有数据集来展示我们方法的可扩展性。结果表明，所提出的方法优于目前国家的最先进的方法，音乐相似性。最后，我们希望OLGA数据集将促进艺术家相似性数据驱动模型的研究。
2021-07-30 cs.IR cs.LG cs.SD
Improving Content Retrievability in Search with Controllable Query Generation
Spotify（声田）
在线平台的一个重要目标是实现内容发现，即允许用户找到他们不熟悉的目录实体。利用搜索引擎发现实体（例如书籍）的先决条件是该实体是可检索的，即，存在系统将在顶部结果中显现这样的实体的查询。然而，机器学习的搜索引擎具有高的可检索性偏差，其中大多数查询返回相同的实体。这部分是由于狭义意图查询的优势，其中用户使用已知实体的标题创建查询，例如在书籍搜索中“哈利波特”。相比之下，用户想要发现新实体的广泛查询的数量很小，例如在音乐搜索中“具有大气感觉的冷抒情电子乐”，并且对他们可能找到的内容具有更高的容忍度。我们在这里集中在两个因素，有一个负面影响的检索的实体（I）的训练数据用于稠密检索模型和（II）的分布在系统中发出的窄和宽的意图查询。我们提出了CtrlQGen，一种方法，生成查询所选择的潜在意图狭窄或广泛。我们可以使用CtrlQGen通过生成由各种合成查询组成的稠密检索模型的训练数据来改进因子（I）。CtrlQGen还可以通过向用户建议具有更广泛意图的查询来处理因素（II）。我们的研究结果对音乐，播客和书籍领域的数据集显示，我们可以显着降低检索偏差的稠密检索模型时，使用CtrlQGen。首先，通过使用生成的查询作为密集模型的训练数据，我们使9%的实体可检索（从零到非零检索）。其次，通过向用户建议更广泛的查询，我们可以在最好的情况下使12%的实体可检索。
2023-03-21 cs.CL cs.IR cs.LG
