Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景，提出融合跳过等负反馈的序列感知对比子任务，优化会话嵌入空间结构，在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
Enhancing Music Recommendation with User Mood Input
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出一种基于用户情绪的音乐推荐系统，利用能量-活力光谱提升推荐质量，通过实验验证了情绪输入对推荐效果的积极影响。
2026-03-12 cs.IR
Support the Underground: Characteristics of Beyond-Mainstream Music Listeners
本文构建含数千名 Last.fm 非主流听众收听历史与元数据的数据集，识别四类听众子群，并通过四种推荐算法揭示音乐开放性与推荐准确率的正相关。
2021-02-24 cs.IR
GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Visa Research（Visa研究院）
我们研究的问题，使项目的建议，短暂的群体，其中包括用户有限或没有历史活动在一起。现有的研究针对具有大量活动历史的持久组，而短暂组缺乏历史相互作用。为了克服群体交互稀疏性，我们提出了数据驱动的正则化策略，以利用同一群体中用户之间的偏好协方差，以及用户个人偏好与每个群体的上下文相关性。我们做了两个贡献。首先，我们提出了一个推荐架构不可知的框架GroupIM，可以集成任意的神经偏好编码器和聚合器的短暂的组推荐。其次，我们规范化的用户组的潜在空间，以克服组交互稀疏：最大限度地提高互信息之间的代表性的群体和群体成员，并动态优先级的偏好，通过上下文偏好加权的高度信息化的成员。我们在几个真实世界数据集上的实验结果表明，与最先进的组推荐技术相比，性能有显着提高（相对NDCG@20为31-62%）。
2020-06-09 cs.IR cs.LG cs.SI
Artist and style exposure bias in collaborative filtering based music recommendations
算法对我们消费的音乐有着越来越大的影响，理解它们的行为对于确保它们为不同风格的所有艺术家提供公平的曝光至关重要。在这个正在进行的工作中，我们有助于这个研究方向分析的影响，从艺术家和音乐风格的曝光系统的角度进行协同过滤建议。我们首先分析的建议，考虑到不同的风格或流派的曝光的分布，并将其与用户的收听行为进行比较。这种比较表明，该系统正在加强项目的受欢迎程度。然后，我们模拟的效果，在长期的反馈回路的系统。从这个模拟中，我们可以看到系统如何为大多数艺术家提供更少的机会，将用户集中在更少的项目上。我们的分析结果表明，需要一个更好的评价方法，目前的音乐推荐算法，不仅限于以用户为中心的相关性指标。
2019-11-12 cs.IR
Common Artist Music Assistance
在歌曲数量不断增长的当今世界中，根据用户的兴趣找到合适的音乐内容的需要是至关重要的。此外，适合于一个用户的推荐可能与另一个用户无关。在本文中，我们提出了一个推荐系统的用户与常见的艺术家的音乐收听模式。我们使用“重启随机游走”算法得到相关的建议，并进行实验，以找到多个参数的最佳值。
2019-11-17 cs.IR
Harnessing High-Level Song Descriptors towards Natural Language-Based Music Recommendation
本文将基于自然语言的音乐推荐表述为密集检索问题，评估语言模型在利用流派、情绪等高层歌曲描述符时的有效性，发现针对语言相似性、信息检索及描述映射进行微调可提升性能。
2024-11-18 cs.IR
When Do Pretrained Audio Representations Help Music Recommendation? A Study Across Ranking and Generative Interfaces
University of New South Wales（新南威尔士大学）；School of Computing, Macquarie University（麦考瑞大学计算学院）
该研究评估六种音频编码器在三类音乐推荐系统中的效果，分析残差量化设计的影响，为现代音乐推荐系统的音频编码器选择及语义ID设计提供实用指导。
2026-10-28 cs.IR
Using offline metrics and user behavior analysis to combine multiple systems for music recommendation
有许多离线指标可以作为评价和优化推荐系统性能的参考。混合推荐方法通常用于通过组合不同的系统来改进其中的一些指标。在这项工作中，我们专注于音乐推荐，并提出了一种新的方法来改善建议，相对于一个所需的度量选择，结合多个系统，为每个用户单独根据其预期的性能。从本质上讲，我们的方法包括预测每个系统将根据他们以前的活动为每个用户产生的预期误差。为此，我们提出了训练回归模型的不同指标预测每个系统的性能的基础上，一些功能表征以前的用户行为的系统。然后，我们使用不同的融合策略来组合每个系统产生的建议。遵循这种方法，可以相对于所需的选择度量来优化最终的混合动力系统。作为概念的证明，我们进行实验结合两个推荐系统，矩阵分解模型和基于流行度的推荐。我们使用Melon提供的数据，韩国音乐流媒体服务，训练和评估系统的性能。
2019-01-08 cs.IR
Unfair Exposure of Artists in Music Recommendation
机器学习中的公平性已经被许多研究者所研究。特别是，在推荐系统的公平性进行了调查，以确保建议符合某些标准，就某些敏感的功能，如种族，性别等，但是，往往推荐系统是多利益相关者的环境中，对所有利益相关者的公平性应该得到照顾。众所周知，推荐算法存在受欢迎程度偏差;很少有受欢迎的项目被过度推荐，这导致大多数其他项目没有得到相应的关注。这种偏见已经从用户的角度进行了调查，以及它如何使最终的建议倾向于流行的项目一般。然而，在本文中，我们调查的影响，在推荐算法中的流行偏见的项目的提供者（即实体背后的推荐项目）。使用音乐数据集进行实验，我们表明，由于算法中的一些偏见，不同受欢迎程度的艺术家群体受到系统性和一致性的不同对待。
2020-03-25 cs.IR
It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation
本研究通过模拟用户交互与模型反复重训练，比较排序策略和用户选择模型对音乐推荐中艺术家性别公平反馈回路的影响，发现重排序策略的作用更大。
2024-08-22 cs.IR
Exploring Artist Gender Bias in Music Recommendation
音乐推荐系统（mRS）旨在向用户群提供个性化和有意义的项目推荐（即歌曲、播放列表或艺术家），从而反映并进一步补充个人用户的特定音乐偏好。虽然准确性指标已被广泛应用于评估建议的mRS文献，从其他影响导向的角度，包括其潜在的歧视，评估用户的项目效用，仍然是一个新的评价实践在音乐领域。在这项工作中，我们将注意力集中在一个特定的现象上，我们想估计mRS是否会加剧其影响：性别偏见。我们的工作提出了一个探索性的研究，分析在何种程度上通常部署的最先进的协同过滤（CF）算法可能会采取行动，以进一步增加或减少艺术家的性别偏见。为了评估CF引入的群体偏见，我们在两个听力事件数据集上部署了最近提出的偏见差异指标：LFM-1b数据集和早期构建的Celma数据集。我们的工作跟踪差异的原因，在输入的性别分布和用户项目的偏好变化，突出这样的配置可以对用户的性别偏见的建议生成后的效果。
2020-10-06 cs.IR
Utilizing Human Memory Processes to Model Genre Preferences for Personalized Music Recommendations
本文提出一种利用人类记忆过程（频率、近因性、上下文）的心理学启发方法，在Last.fm超十亿条数据上显著提升了各主流程度用户群体的音乐流派预测准确率，并增强了模型透明度与可解释性。
2024-02-15 cs.IR
MUSE: Music Recommender System with Shuffle Play Recommendation Enhancement
针对现有音乐推荐系统忽视随机播放会话高独特转换率影响训练效果的问题，研究提出MUSE系统，通过基于转换的增强和细粒度匹配策略的自监督学习，在MSSD数据集上优于12个基线模型。
2023-08-26 cs.IR
Towards Effective Exploration/Exploitation in Sequential Music Recommendation
音乐流媒体公司每天总共提供数十亿首歌曲。基于无线电的音乐服务可以在歌曲之间散布音频广告作为产生收入的手段，很像传统的FM无线电。不管货币化方法如何，推荐系统应该决定何时播放已知收听者喜欢（利用）的内容和收听者新颖（探索）的内容。依赖于这种探索/利用类型框架的推荐系统已经被部署在各种各样的应用中，例如电影、书籍、音乐、购物等等。在这项工作中，我们调查不同的广告/歌曲序列对听众行为的影响。特别是，我们专注于探索新的歌曲内容的听众的影响，在听众的会话中的广告和歌曲的前一个序列。我们的研究结果表明，在考虑歌曲的探索和这种先前的序列有影响的听众的倾向，中断他们当前的会话时，事先序列的事项。
2018-12-07 cs.IR
Enhancing Sequential Music Recommendation with Personalized Popularity Awareness
本文针对序列音乐推荐中偏好快速变化和重复聆听问题，提出将用户个性化流行度分数与模型分数融合，显著提升 Transformer 推荐模型性能。
2024-09-06 cs.IR
Considering Durations and Replays to Improve Music Recommender Systems
与其他媒体相比，音乐消费有其特殊性，特别是在收听时间和重播方面。音乐推荐可以考虑这些属性，以预测用户的行为。本文研究了它们的影响。因此，使用在流媒体平台上收集的日志创建了一个大型数据库，特别是收集收听时间。所提出的研究表明，高比例的收听事件意味着跳过动作，这可能表明用户不欣赏所收听的音轨。隐式喜欢和不喜欢可以从持续时间和重放的该信息中推导出，并且可以被考虑用于音乐推荐和用于音乐推荐引擎的评估。通常在文献中发现的定量研究证实，考虑二进制数据的基于邻域的系统在MAP@k方面给出了最佳结果。然而，对推荐曲目的更定性的评估表明，许多推荐的曲目通常以积极的方式评估，导致跳过或因此实际上不被欣赏。我们建议考虑隐式的喜欢/不喜欢作为推荐引擎的输入。评估表明，基于邻域的引擎仍然是最精确的，但根据持续时间和/或重放过滤输入对推荐引擎的目标有显着的积极影响。因此，可以通过考虑收听持续时间和重放来改进推荐过程。我们还研究了后过滤推荐曲目列表的可能性，以便限制将不愉快地收听（跳过和隐含的不喜欢）的曲目数量，并增加曲目欣赏（隐含的喜欢）的比例。几个简单的算法表明，该后过滤操作导致音乐推荐的质量的提高。
2017-11-14 cs.IR
Diversifying Music Recommendations
我们比较了子模块化和Jaccard方法，以使亚马逊音乐推荐多样化。子模块化显著提高了推荐质量和用户参与度。与Jaccard方法不同，我们的子模块化方法将项目相关性分数纳入其优化功能，并产生一个相关的和均匀多样的集合。
2018-10-02 cs.IR cs.MM
Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
Seoul National University（首尔国立大学）
随着机器学习的发展，先进的音乐推荐系统正在被引入。然而，设计一个音乐推荐系统，能够通过理解用户的音乐品味来提高用户满意度，而不是通过模型的复杂性来提高用户满意度是至关重要的。尽管一些与利用负面偏好的音乐推荐系统相关的研究表明了性能的改善，但缺乏对它们如何导致更好的推荐的解释。在这项工作中，我们分析了用户的音乐品味的负面偏好的作用，通过比较音乐推荐模型与对比学习利用偏好（CLEP），但有三种不同的训练策略-利用偏好的积极和消极的（CLEP-PN），积极的（CLEP-P），和消极的（CLEP-N）。我们评估的有效性，通过验证每个系统与少量的个性化数据，通过调查获得的负面偏好，并进一步阐明利用负面偏好的音乐推荐的可能性。实验结果表明，CLEP-N在准确率和误报率方面优于其他两种方法。此外，所提出的训练策略产生了一致的趋势，无论不同类型的前端音乐特征提取器，证明了所提出的方法的稳定性。
2022-07-28 cs.IR cs.LG
Assessing the Impact of Music Recommendation Diversity on Listeners: A Longitudinal Study
我们提出了一个为期12周的纵向用户研究的结果，其中的参与者，110名受试者来自南欧，每天收到电子音乐（EM）多样化的建议。通过分析他们的显式和隐式反馈，我们发现，暴露于特定水平的音乐推荐多样性可能是负责对听众的态度的长期影响。特别是，我们强调多样性的功能，在听EM，音乐流派不是特别知道或喜欢的参与者之前，他们参与研究的开放性。此外，我们表明，建议可能有助于听众在消除积极和消极的附件对EM，解构预先存在的隐式协会，但也与这种音乐的刻板印象。此外，我们的研究结果表明，推荐的多样性在产生好奇心的听众显着的影响力。
2022-12-01 cs.HC cs.IR
Neural content-aware collaborative filtering for cold-start music recommendation
最先进的音乐推荐系统是基于协同过滤，它建立在学习用户和歌曲之间的相似性，从可用的收听数据。这些方法固有地面临冷启动问题，因为它们不能推荐没有收听历史的新颖歌曲。内容感知推荐通过在协同过滤的基础上结合歌曲的内容信息来解决这个问题。然而，属于这一类的方法依赖于源于矩阵分解框架的浅用户/项目交互。在这项工作中，我们介绍了神经内容感知协同过滤，一个统一的框架，它体现了这些限制，并扩展了最近推出的神经协同过滤的内容感知对应。我们提出了一个生成模型，它利用深度学习从低级声学特征中提取内容信息，并对用户和歌曲嵌入之间的交互进行建模。深度内容特征提取器可以直接预测项目嵌入，也可以作为正则化先验，产生我们模型的两个变体（严格和放松）。实验结果表明，该方法达到了最先进的冷启动音乐推荐任务的结果。我们特别注意到，利用深度神经网络来学习精细的用户/项目交互优于在内容感知框架中使用更简单的交互模型的方法。
2022-07-20 cs.IR
Personalized Music Recommendation with Triplet Network
National Institute of Informatics（国立信息学研究所）；SOKENDAI（综合研究大学院大学）
由于近年来出现了许多在线音乐服务，因此需要有效的音乐推荐系统。推荐系统中的一些常见问题，如特征表示、距离度量和冷启动问题也是音乐推荐面临的挑战。本文提出了一种三元组神经网络，利用正样本和负样本来学习用户和项目之间的表示和距离度量，来解决推荐任务。
2019-08-10 cs.IR cs.LG cs.MM
Contextual Personalized Re-Ranking of Music Recommendations through Audio Features
用户可以通过Spotify、Pandora和Deezer等音乐流媒体服务访问数百万首歌曲。访问如此大的目录，创造了相关的歌曲推荐的需要。然而，用户偏好本质上是高度主观的并且根据上下文（例如，适合早上的音乐不适合晚上）。此外，一个用户在给定上下文中可能偏好的音乐可能不同于另一个用户在相同上下文中偏好的音乐（即，被认为是早安音乐的内容因用户而异）。准确地表示这些偏好对于创建准确有效的歌曲推荐至关重要。用户对歌曲的偏好可以基于高级音频特征，例如节奏和效价。因此，在本文中，我们提出了一个上下文重新排名算法，在特定的上下文条件下的用户偏好的音频特征表示的基础上。我们使用#NowPlaying-RS数据集来评估我们的重新排名算法的性能，该数据集包含从Twitter上抓取的用户收听事件，并富含歌曲音频功能。我们比较了全球（所有用户的上下文）和个性化（每个用户的上下文）模型的基础上，这些音频功能。全局模型基于所有用户的偏好创建每个上下文条件的音频特征表示。与全局模型不同，个性化模型创建上下文条件的用户特定音频特征表示，并在333个不同用户中进行测量。我们表明，个性化模型优于全球模型时，使用精度和平均精度指标进行评估。
2020-09-06 cs.IR
Modeling Artist Preferences of Users with Different Music Consumption Patterns for Fair Music Recommendations
音乐推荐系统已经成为流行的流媒体平台（如www.example.com，Pandora或Spotify）的核心部分，以帮助用户找到适合他们偏好的音乐。这些系统从用户过去的收听事件中学习，以推荐用户将来可能收听的音乐。在这里，当前的算法通常采用协同过滤（CF）利用用户的收听行为之间的相似性。一些方法还将CF与内容特征结合到混合推荐系统中。虽然音乐推荐系统可以为主流音乐艺术家的听众提供高质量的推荐，但最近的研究表明，它们倾向于歧视非正统、低主流艺术家的听众。这主要是由于低主流音乐的使用数据稀缺，因为音乐消费模式偏向流行艺术家。因此，我们的工作的目标是提供一种新的方法来建模艺术家的喜好，不同的音乐消费模式和收听习惯的用户。
2019-07-23 cs.HC cs.IR
Psychologically-Inspired Music Recommendation System
Penn State University（宾夕法尼亚州立大学）
在过去的几年里，自动推荐系统一直是音乐领域的一个主要焦点，Spotify、亚马逊和苹果等公司都在为用户提供最个性化的音乐建议方面展开竞争。开发人员仍然未能解决的挑战之一是考虑到音乐的心理和情感方面。我们的目标是找到一种方法，将用户的个人特质和他们当前的情绪状态整合到一个单一的音乐推荐系统中，同时进行协作和基于内容的过滤。我们试图将听众的个性和当前情绪状态与音频特征联系起来，以建立一个情感感知的MRS。我们将结果与基于Spotify API数据的传统MRS的输出进行定量和定性比较，以了解我们的进步是否对音乐推荐的质量产生重大影响。
2022-05-06 cs.AI cs.IR
Allowing for equal opportunities for artists in music recommendation
促进音乐部门的多样性在媒体上得到广泛讨论。虽然主要问题可能存在于我们的社会深处，但音乐信息检索有助于促进多样性，也可能给艺术家带来不平等的机会。例如，考虑到音乐推荐中的流行偏见的已知问题，重要的是要调查流行音乐艺术家的短头和不太受欢迎的长尾是否显示出相似的多样性模式-例如，年龄，性别或种族起源-或者流行偏见放大了积极或消极的影响。我主张在音乐推荐系统中为艺术家提供合理的机会--（目前）流行的艺术家和长尾艺术家。在这项工作中，我代表的立场是，我们需要发展的偏见和不平等的深刻理解，因为它是必要的基础上，设计方法的音乐推荐，提供合理的机会。因此，研究需要调查阻碍音乐推荐机会均等和多样性的各种原因。
2019-11-13 cs.CY cs.IR
Text2Tracks: Prompt-based Music Recommendation via Generative Retrieval
提出Text2Tracks生成式检索模型，通过学习自然语言提示到曲目ID的直接映射，利用语义ID显著提升了基于提示的音乐推荐的准确率与效率。
2025-04-02 cs.IR
Audio Prototypical Network For Controllable Music Recommendation
针对传统音乐推荐系统黑盒建模缺乏可解释性与可控性的问题，提出音频原型网络，以音乐语义特征原型表示用户偏好，在保持推荐性能竞争力的同时实现了可解释可控的用户画像构建。
2025-07-31 cs.IR eess.AS
"Beyond the past": Leveraging Audio and Human Memory for Sequential Music Recommendation
针对序列音乐推荐难以推荐新曲目的问题，提出利用音频信息预测新曲目ACT-R激活并融入评分过程的模型，实验证明有效，并公开数据和代码。
2025-08-04 cs.IR
Dynamic inference of user context through social tag embedding for music recommendation
在给定时间的音乐收听偏好取决于广泛的上下文因素，例如用户的情绪状态，收听时间的位置和活动，一周中的哪一天，一天中的时间等，因此在推荐音乐时考虑这些因素非常重要。然而，这是非常困难的开发上下文感知的推荐系统，考虑这些因素，既因为检测其中的一些，如情绪状态的困难，因为从包括许多因素，如稀疏性问题，在上下文预过滤的缺点。这项工作涉及的建议的方法，用于检测的用户上下文状态时，听音乐的音乐项目的社会标签的基础上。允许在多个维度中描述项目的社交标记的固有特性可以被利用来捕获用户收听会话中的许多上下文维度。在每个会话中播放的第一个项目的标签的嵌入用于表示该会话的上下文。然后根据用户偏好和从标签嵌入计算的项目的相似性生成推荐。社会标签在许多推荐系统中得到了广泛的应用，然而，据我们所知，它们几乎没有被用于动态地推断上下文状态。
2021-09-23 cs.IR
Progressive Semantic Residual Quantization for Multimodal-Joint Interest Modeling in Music Recommendation
针对音乐推荐中语义ID的模态内语义退化和模态间建模差距问题，提出渐进式语义残差量化（PSRQ）生成模态特定与联合语义ID，并设计多码本交叉注意力（MCCA）网络建模多模态兴趣，实验及线上A/B测试验证了其优越性与工业实用价值。
2025-08-28 cs.IR
Leveraging Artist Catalogs for Cold-Start Music Recommendation
University of Tartu（塔尔图大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；Czech Technical University in Prague（布拉格捷克理工大学）；Recombee
本文提出利用艺术家目录信息解决音乐推荐中的冷启动问题，通过引入艺术家层面的协同信号提升推荐效果，提出ACARec模型在召回率和NDCG指标上显著优于内容基线方法。
2026-04-08 cs.IR
Content-driven Music Recommendation: Evolution, State of the Art, and Challenges
音乐领域是采用推荐系统技术的最重要领域之一。与大多数其他主要依赖于协同过滤（CF）技术的推荐领域相比，音乐推荐者传统上采用基于内容（CB）的方法。在过去的几年里，利用协作和内容数据的音乐推荐模型-我们称之为内容驱动模型-已经取代了纯粹的CF或CB模型。在这次调查中，我们回顾了55篇关于内容驱动的音乐推荐的文章。基于一个全面的文献分析，我们首先提出了一个洋葱模型，包括五个层，每个层对应于我们确定的音乐内容的类别：信号，嵌入式元数据，专家生成的内容，用户生成的内容，和衍生内容。我们提供了一个详细的表征，每个类别沿几个方面。其次，我们确定了六个首要挑战，根据这些挑战，我们组织了我们的主要讨论：增加推荐的多样性和新颖性，提供透明度和解释，实现上下文感知，推荐音乐序列，提高可扩展性和效率，以及缓解冷启动。每一篇文章都解决了一个或多个这些挑战，根据我们的洋葱模型的内容层，文章的目标和主要的方法选择进行分类。此外，文章讨论的时间顺序，以阐明内容驱动的音乐推荐策略的演变。最后，我们提供了我们个人选择的持续存在的重大挑战，仍然等待在未来的研究工作中解决。
2023-01-02 cs.IR cs.MM
What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation
经过大量预训练的Transformer模型，如BERT，最近在语言建模方面表现出了非常强大的能力，在许多下游任务上都取得了令人印象深刻的结果。研究还表明，它们能够在预训练后将事实知识隐式地存储在它们的参数中。了解LM的预训练过程实际上学习了什么是使用和改进会话推荐系统（CRS）的关键步骤。我们首先研究了现成的预先训练的BERT对书籍、电影和音乐等推荐项目“知道”多少。为了分析存储在BERT的参数中的知识，我们使用了不同的探针，这些探针需要不同类型的知识来求解，即基于内容的和基于协作的。基于内容的知识是需要模型将项目的标题与其内容信息（如文本描述和流派）相匹配的知识。相比之下，基于协作的知识需要模型根据社区交互（如评级）将项目与相似项目进行匹配。我们借助BERT的Masked Language Modelling头来探测它对项目类型的知识，并使用完形填空风格提示。此外，我们采用BERT的Next Sentence Prediction头和表示的相似性来比较相关和不相关的搜索和推荐查询文档输入，以探索BERT是否可以在没有任何微调的情况下将相关项排在第一位。最后，我们研究了BERT在会话推荐下游任务中的表现。总的来说，我们的分析和实验表明：（i）BERT在其参数中存储了关于书籍、电影和音乐内容的知识;（ii）它具有更多基于内容的知识，而不是基于协作的知识;（iii）当面对对抗性数据时，…
2021-03-04 cs.IR
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
Biases in LLM-Generated Musical Taste Profiles for Recommendation
本文通过用户研究考察LLM根据收听历史生成的音乐品味画像是否存在用户与物品特征偏差，并对比下游推荐表现，揭示其潜力与局限。
2025-07-22 cs.IR
Popularity Degradation Bias in Local Music Recommendation
Ithaca College（伊萨卡学院）
本文研究了本地音乐推荐中的流行度退化偏差，比较 WRMF 和 Mult-VAE 后发现两者均偏向流行艺术家，但 Mult-VAE 对长尾艺术家表现更好，更适合本地音乐推荐。
2023-09-20 cs.IR cs.LG
Leveraging the structure of musical preference in content-aware music recommendation
IRIT（图卢兹计算机科学研究所）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）
最先进的音乐推荐系统是基于协同过滤的，它根据用户的收听习惯和与其他用户的简档的相似性来预测用户的兴趣。这些方法对歌曲内容是不可知的，因此面临冷启动问题：如果没有收听历史，它们就不能推荐新的歌曲。为了解决这个问题，内容感知推荐结合了关于歌曲的信息，这些信息可以用于推荐新项目。属于这一类的大多数方法利用用户注释的标签，声学特征或深度学习的特征。因此，这些内容特征不具有明确的音乐含义，因此从音乐偏好的角度来看，它们不一定相关。在这项工作中，我们建议，而不是利用一个模型的音乐偏好，起源于音乐心理学领域。从低层次的声学特征，我们提取三个因素（唤醒，效价和深度），这已被证明是适当的描述音乐品味。然后，我们将这些集成到一个协同过滤框架的内容感知音乐推荐。在大规模数据上进行的实验表明，该方法能够解决冷启动问题，同时使用紧凑且有意义的音乐特征集。
2021-02-09 cs.IR cs.SD eess.AS
Revisiting Content-Based Music Recommendation: Efficient Feature Aggregation from Large-Scale Music Models
School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）；National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）
本文提出TASTE数据集和基准框架，通过整合音频和文本信息提升音乐推荐性能，引入MuQ-token方法优化多层音频特征整合，验证了内容驱动方法的有效性。
2026-02-10 cs.AI cs.IR
Representation Learning for Image-based Music Recommendation
图像感知是提供关于用户关于他/她的周围环境的上下文信息的最直接的方式之一;因此图像是上下文推荐的合适代理。我们提出了一种新的表示学习框架，基于图像的音乐推荐，弥合音乐和图像数据之间的异质性差距，所提出的方法是各种上下文推荐任务的关键组成部分。初步实验表明，对于图像到歌曲检索任务，所提出的方法检索相关的或概念上相似的歌曲输入图像。
2018-08-29 cs.IR cs.MM cs.SI
MuChator: Enabling Active Music Discovery via Conversational Music LLMs in Douyin Music
ByteDance（字节跳动）
提出MuChator框架，通过音乐知识预训练、上下文感知指令微调和偏好对齐，使大语言模型能够理解用户用自然语言表达的情境化音乐意图，并在抖音音乐中实现主动音乐发现。
2026-05-26 cs.IR
Music Recommendation System for Million Song Dataset Challenge
本文描述了一个在百万歌曲数据集挑战赛中获得第八名的系统。给定100万用户的完整收听历史和110000用户的一半收听历史，参与者应该预测缺失的一半。该系统采用基于记忆的协同过滤方法和基于用户的相似度。MAP@500评分为0.15037。
2012-09-17 cs.IR cs.SI
Mood-Aware Music Recommendation: Integrating User Affective Signals into Ranking Systems
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出一种情绪条件排序框架，通过能量-效价空间的softmax采样将用户情感信号融入推荐过程，单盲实验表明能提升推荐质量。
2026-06-15 cs.AI cs.IR
Cross-modal Variational Auto-encoder for Content-based Micro-video Background Music Recommendation
本文提出了一种基于内容的微视频背景音乐推荐的跨模态变分自动编码器（CMVAE）。CMVAE是一种分层贝叶斯生成模型，通过将这两个多模态输入投影到共享的低维潜在空间中来将相关背景音乐与微视频进行匹配，其中匹配的视频-音乐对的两个对应嵌入的对齐通过交叉生成来实现。此外，通过专家乘积（PoE）原理融合多模态信息，其中微视频的视觉和文本模态中的语义信息根据它们的方差估计被加权，使得具有较低噪声水平的模态被赋予更多权重。因此，微视频潜变量包含更少的无关信息，从而导致更鲁棒的模型泛化。此外，我们建立了一个大规模的基于内容的微视频背景音乐推荐数据集TT-150 k，由来自不同用户的150，000个微视频相关的大约3，000个不同的背景音乐片段组成。在已建立的TT-150 k数据集上的实验证明了该方法的有效性。还包括通过可视化一些推荐结果对CMVAE进行定性评估。
2022-12-11 cs.IR cs.MM
Improving Community Detection Performance in Heterogeneous Music Network by Learning Edge-type Usefulness Distribution
随着音乐成为日常生活中必不可少的一部分，迫切需要开发推荐系统来帮助人们以更少的努力瞄准更好的歌曲。由于用户与歌曲之间的交互自然地构成了一个复杂的网络，社区发现方法可以通过将相关用户和歌曲分组到同一社区来揭示用户对歌曲的潜在兴趣。然而，由于交互的类型可能是异构的，它挑战了传统的社区发现方法最初设计的同构网络。虽然已有的异构社区发现的工作，他们大多是任务驱动的方法，并不适用于特定的音乐推荐。在本文中，我们提出了一种基于遗传的方法来学习边缘类型有用性分布（ETUD）的所有边缘类型在异构音乐网络。ETUD可以被视为一个线性函数，将所有边缘投影到同一潜在空间，并使它们具有可比性。因此，可以将异构网络转换为同构网络，在同构网络中可以使用那些传统的方法。我们验证了所提出的模型上的异构音乐网络构建的在线音乐流媒体服务。结果表明，对于传统的方法，ETUD可以帮助检测社区显着提高音乐推荐的准确性，同时降低用户搜索成本。
2021-11-28 cs.IR
LLM-as-a-Judge for Evaluating System Responses in Conversational Music Recommendation
KAIST（韩国科学技术院）；Deezer Research（Deezer 研究院）；SiriusXM；Idiap Research Institute（伊迪亚普研究所）
研究对话式音乐推荐系统中用大语言模型评估系统响应的可靠性，通过抽取会话、用四个指令微调的大语言模型生成候选响应，收集领域专家评分并分析，发现其与人工评估适度正相关且优于基线，还分析了性能随模型规模等的变化。
2026-07-29 cs.IR
Global and country-specific mainstreaminess measures: Definitions, analysis, and usage for improving personalized music recommendation systems
基于流行度的方法在音乐推荐系统中被广泛采用，无论是在工业界还是在研究中。然而，由于音乐项的流行度分布通常是长尾分布，因此基于流行度的音乐推荐方法不能满足具有专门音乐的听众。本文的贡献有三个方面。我们提供了几个定量的措施，描述了接近用户的音乐偏好的音乐主流。我们定义的措施在两个层面上：听众的音乐偏好的全球音乐偏好的所有用户，或将它们与用户的国家的音乐偏好。此外，我们采用了基于分布和基于秩的方法来减少对长尾分布头部的偏差。我们分析了国家之间的差异，他们的主流化水平，发现积极和消极的离群值（显着更高和更低的国家特定的受欢迎程度，分别与全球主流相比），并调查国家之间的差异，在有关流行音乐艺术家的收听偏好。我们使用标准化的LFM-1b数据集，从中分析了音乐流媒体平台Last.fm的约53，000名用户（来自47个国家）共享的约800万个收听事件。我们发现，有大量的国家特定的差异，听众的音乐消费行为方面最受欢迎的艺术家听取。我们进行评级预测实验中，我们量身定制的建议，以用户的偏好水平的音乐主流使用建议的6个主流措施。结果表明，在收视率预测精度方面，每一个主流的定义有其优点。
2019-12-14 cs.IR cs.SI
Semantic IDs for Music Recommendation
SiriusXM Radio Inc.（SiriusXM广播公司）
本文研究下一项目推荐中逐项嵌入参数过大的问题，提出使用基于内容的共享 semantic IDs，以减小模型规模并提升音乐推荐的准确性与多样性，且在两个数据集及在线 A/B 测试中验证有效。
2025-07-24 cs.IR cs.LG
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
Just Ask for Music (JAM): Multimodal and Personalized Natural Language Music Recommendation
Johannes Kepler University Linz（约翰· Kepler大学林茨）；Criteo AI Lab（Criteo人工智能实验室）；Deezer Research（Deezer研究）；Johannes Kepler University Linz and Linz Institute of Technology（约翰· Kepler大学林茨和林茨技术学院）
本文提出轻量级自然语言音乐推荐框架 JAM，以向量平移建模用户-查询-物品交互，并通过多模态聚合与稀疏专家混合提升推荐准确性，同时发布结合对话查询与长期偏好的 JAMSessions 数据集。
2025-07-21 cs.IR cs.LG
Adopting State-of-the-Art Pretrained Audio Representations for Music Recommender Systems
University of Tartu（塔尔图大学）
本文评估了九种预训练模型在音乐推荐系统中的表现，发现其在传统MIR任务与冷热启动场景中性能差异显著，揭示了后端模型捕捉的音乐信息方面存在差异。
2026-04-25 cs.IR
Local Music Event Recommendation with Long Tail Artists
在本文中，我们探讨本地音乐事件推荐的任务。许多本地艺术家往往是默默无闻的长尾艺术家，数字足迹很小。也就是说，可能很难找到在本地音乐社区中演出的许多艺术家的社交标签和艺术家相似性信息。为了解决这个问题，我们探索使用潜在语义分析（LSA）嵌入艺术家和标签到一个潜在的特征空间，并研究如何以及艺术家与小数字足迹在这个空间中表示。我们发现，只需要一个相对较小的数字足迹，有效地模拟艺术家的相似性。我们还引入了音乐事件图的概念，作为一种数据结构，它使得基于用户选择的流派标签和流行艺术家的事件推荐变得容易和高效。最后，我们进行了一个小的用户研究，探讨我们提出的系统的事件推荐的可行性。
2018-09-07 cs.IR cs.MM
MuseChat: A Conversational Music Recommendation System for Videos
Stony Brook University（石溪大学）；University of Washington（华盛顿大学）
针对现有视频音乐推荐系统忽略用户偏好、缺乏交互与解释的问题，研究提出首个对话式视频音乐推荐系统MuseChat，含推荐与推理模块，构建对应数据集验证其性能、可解释性与交互性均有显著提升。
2024-03-09 cs.CV cs.IR cs.LG
Diversity in the Music Listening Experience: Insights from Focus Group Interviews
在当今的数字空间中，音乐聆听的高度特征是世界各地的人们都可以访问庞大的音乐目录。在这种情况下，推荐系统被设计成引导听众找到最适合他们要求的曲目和艺术家，因此有能力影响他们所听音乐的多样性。虽然有几个作品提出了新的技术来开发多样性意识的建议，很少有人知道人们如何感知多样性，同时与音乐推荐互动。在这项研究中，我们采访了几个听众的作用，多样性在他们的听力体验，试图更好地了解他们如何与音乐推荐互动。我们招募的听众中的参与者以前的定量研究，在那里他们面临的多样性的概念时，被要求确定，从一系列的电子音乐列表中，最多样化的，根据他们的信念。作为后续行动，在这个定性研究中，我们进行了半结构化的采访，以了解听众如何评估音乐列表的多样性，并调查他们的经验与音乐推荐的多样性。我们在这里报告我们的主要发现1）什么可以影响曲目和艺术家的音乐列表的多样性评估，2）哪些因素可以表征听众与音乐推荐多样性的互动。
2022-01-25 cs.HC cs.IR
