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
Current Challenges and Visions in Music Recommender Systems Research
音乐推荐系统（MRS）近年来经历了一个蓬勃发展，这要归功于在线流媒体服务的出现和成功，现在用户可以在指尖上获得世界上几乎所有的音乐。虽然今天的MRS大大帮助用户在这些庞大的目录中找到有趣的音乐，但MRS研究仍然面临着巨大的挑战。特别是当涉及到构建，合并和评估推荐策略，整合信息超越简单的用户-项目交互或基于内容的描述符，但深入挖掘到听众的需求，偏好和意图的本质，MRS研究成为一个大的努力和相关的出版物相当稀少。这篇趋势和调查文章的目的是双重的。我们首先从学术和行业的角度确定并阐明了我们认为MRS研究面临的最紧迫的挑战。我们回顾了解决这些挑战的最新技术，并讨论了其局限性。其次，我们详细介绍了我们为该领域的进一步发展所设想的未来可能的方向和愿景。因此，这篇文章应该服务于两个目的：让感兴趣的读者在MRS研究的当前挑战的概述，并通过确定有趣的，但研究不足，在该领域的方向，为年轻的研究人员提供指导。
2018-03-21 cs.IR
Why People Skip Music? On Predicting Music Skips using Deep Reinforcement Learning
音乐推荐系统是我们日常生活中不可或缺的一部分。最近的研究已经看到了基于黑盒推荐的方法，如深度强化学习（DRL）的重大努力。这些进步，以及对用户数据汇集和隐私的日益关注，导致了对构建负责任的推荐系统的强烈兴趣。成功的音乐推荐系统的一个关键要素是对用户如何与流媒体内容交互进行建模。通过首先理解这些相互作用，可以得出见解，以构建更透明和负责任的系统。这些交互的一个例子是跳过行为，这是一个可以衡量用户满意度、不满度或缺乏兴趣的信号。在本文中，我们研究了用户的历史数据的顺序预测用户的跳过行为的任务的效用。为此，我们适应DRL这个分类任务，其次是事后的可解释性（SHAP）和消融分析的输入状态表示。来自真实世界音乐流数据集（Spotify）的实验结果证明了我们的方法在这项任务中的有效性，表现优于最先进的模型。我们的方法和用户的历史数据的全面分析揭示了数据集中的时间数据泄漏问题。我们的研究结果表明，总体而言，用户的行为特征是最具歧视性的，我们提出的DRL模型预测音乐跳过。内容和上下文特征的影响较小。这表明应该收集并利用有限数量的用户数据来预测跳过行为。
2023-01-10 cs.IR
Multiple Stakeholders in Music Recommender Systems
音乐推荐服务每天为数百万听众提供数十亿首歌曲。用户通常可以收听各种根据其个人品味和偏好定制的歌曲。然而，音乐并不是这些服务中遇到的唯一类型的内容。广告通常散布在整个音乐流中，为企业创造收入。其他内容可能包括艺术家消息，票务，体育，新闻和天气。在本文中，我们讨论的问题时，出现多个内容提供方的利益相关者在推荐过程中。这些利益相关者都有自己的目标，必须协调一致，以维持健康的音乐推荐服务。
2017-08-01 cs.CY 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
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
Analyzing Item Popularity Bias of Music Recommender Systems: Are Different Genders Equally Affected?
几项研究已经发现了用户简档中的项目受欢迎程度与相应的推荐列表之间的差异。这种行为涉及到各种推荐算法，被称为流行性偏见。现有的工作主要采用简单的统计措施，如平均值或中位数的差异，以量化的流行偏见。此外，它这样做与用户特性无关，而不是倾向于流行内容。在这项工作中，相比之下，我们建议调查受欢迎程度的差异（之间的用户简档和推荐列表）的中位数，各种统计矩，以及相似性的措施，考虑整个流行度分布（Kullback-Leibler分歧和肯德尔的tau秩序相关性）。这导致了对流行性偏见特征的更详细的描述。此外，我们调查这种算法的流行性偏见是否以同样的方式影响不同性别的用户。我们专注于音乐推荐，并在最近发布的标准化LFM-2b数据集上进行实验，该数据集包含Last.fm用户的收听配置文件。我们研究了七种常见推荐算法（五种协同过滤和两种基线）的算法流行度偏差。我们的实验表明，（1）研究的指标提供了新的见解流行偏见相比，只有使用平均差异，（2）算法不太倾向于流行偏见放大不一定表现更差的效用（NDCG），（3）大多数调查的评论家加强了女性用户的流行偏见。
2021-08-16 cs.IR
Evaluating Music Recommender Systems for Groups
ETH Zürich（苏黎世联邦理工学院）
向用户群推荐是一项具有挑战性的任务，目前只进行了粗略的研究。特别是评估方面经常出现ad-hoc，而不是真正评估用户组，通过合并个人偏好来合成组。在本文中，我们提出了一个用户的研究，记录个人和共享的喜好，实际组的参与者，从而在一个强大的，标准化的评估基准。使用这个基准数据集，我们与研究社区共享，我们比较了在
2017-07-31 cs.AI cs.HC 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
A Stakeholder-Centered View on Fairness in Music Recommender Systems
我们的叙述性文献回顾承认，虽然有越来越多的兴趣在推荐系统的公平性一般，音乐领域在这方面得到了相对较少的关注。然而，解决音乐推荐系统（MRS）的公平性是非常重要的，因为这些系统的性能相当大地影响音乐流媒体平台的用户和向这些平台提供音乐的艺术家。这些利益相关者群体可能具有的不同需求，以及因此应该考虑的公平性的不同方面，使得具有挑战性的研究领域具有充分的改进机会。本文首先从每个利益相关者和利益相关者的角度概述了MRS公平性的现有文献，然后确定了未来研究的方向。审查中提出的两个未决问题如下：（i）在MRS领域，只有有限的数据可供公开进行公平性研究;大多数数据集要么来自同一来源，要么是专有的（因此不能广泛获得）。我们如何解决这种有限的数据可用性？(ii)总体而言，审查表明，绝大多数作品分析MRS公平性的现状，而只有少数作品提出的方法来改善it. How我们可以向前迈进，以提高这些推荐系统的公平性方面的重点？在FAccTRec '22上，我们强调了在音乐领域解决RS公平性的细节。
2022-09-08 cs.CY cs.HC cs.IR
Do Recommender Systems Promote Local Music? A Reproducibility Study Using Music Streaming Data
CNRS（法国国家科学研究中心）；LIPN（巴黎第十三大学计算机科学实验室）；USPN（巴黎第十三大学）；LTCI（法国电信学院）；Télécom Paris（巴黎电信学院）；Deezer Research（Deezer研究院）；PACTE（政治与公共行动研究中心）；Sciences Po Grenoble（格勒诺布尔政治学院）
本文通过全球音乐流媒体专有数据复现 LFM-2b 上的本地音乐推荐偏差研究，发现原结论稳健性不足，并公开数据集与代码以促进可复现研究。
2024-08-29 cs.DB cs.HC cs.IR
ragamAI: A Network Based Recommender System to Arrange a Indian Classical Music Concert
Oklahoma State University（俄克拉荷马州立大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
南印度古典音乐（卡纳蒂克音乐）最好通过现场音乐会消费。一场狂欢节独奏会需要精心策划，包括表演者的曲目、作品的多样性、音乐的多样性、主题结构、独奏会的安排等，以确保观众有一个全面的听觉体验。在这项工作中，我们提出了ragamAI一个新的机器学习框架，利用主音的细微差别和音乐结构的carnatic音乐产生一个音乐会独奏会，旋律捕捉整个范围在一个八度。利用播放列表和基于会话的推荐模型的基本思想，所提出的模型研究的数学结构，在过去的音乐会，并建议相关项目的播放列表/音乐会。ragamAI集成了多个模型给出的推荐，以学习用户的想法和音乐会中序列的过去偏好，从而提取推荐。我们在大量音乐会上的实验表明，我们的模型比基线模型的性能好25%-50%。ragamAI的应用是双重的。1)它将帮助音乐家定制他们的表演，使其具有必要的多样性，以维持观众对整个音乐会的兴趣。2）它将生成精心策划的南印度古典音乐列表，以便听众可以发现音乐系统可以提供的广泛的旋律。
2019-12-08 cs.IR cs.LG stat.ML
Evaluating Recommender System Algorithms for Generating Local Music Playlists
Ithaca College（伊萨卡学院）
我们探索本地音乐推荐的任务：为听众提供个性化的播放列表的相关曲目的艺术家谁发挥他们的大部分现场活动在一个小的地理区域。大多数本地艺术家往往是默默无闻的长尾艺术家，并且通常很少或没有与他们相关的可用用户偏好数据。这就给基于协作过滤的推荐算法带来了一个冷启动问题，这些算法依赖于大量的此类信息来做出准确的推荐。在本文中，我们比较了三个标准的推荐系统算法（项目-项目邻域（IIN），交替最小二乘隐式反馈（ALS），贝叶斯个性化排名（BPR））的本地音乐推荐使用百万播放列表数据集的任务上的性能。要做到这一点，我们修改了标准的评估程序，使算法只排名轨道的本地艺术家为每个八个不同的城市。尽管基于矩阵分解（ALS，BPR）的技术通常在大型推荐任务中表现最好，但我们发现基于邻域的方法（IIN）在长尾本地音乐推荐中表现最好。
2019-07-17 cs.IR cs.LG stat.ML
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
Large-Scale User Modeling with Recurrent Neural Networks for Music Discovery on Multiple Time Scales
在线音乐流媒体平台上的内容数量巨大，大多数用户只能访问其中的一小部分。推荐系统是向这些用户开放收藏的首选应用程序。协同过滤的缺点在于它依赖于通常不可用的显式评级，并且通常忽视音乐消费的时间性质。另一方面，项目共现算法，如最近推出的word2vec为基础的搜索器，通常没有一个有效的用户表示。在本文中，我们提出了一种通过循环神经网络对用户进行建模的新方法，该方法通过顺序处理由任何类型的嵌入和其他上下文特征表示的消费项来实现。通过这种方式，我们获得了语义丰富的用户表示，随着时间的推移捕捉用户的音乐品味。我们对大规模用户数据的实验分析表明，我们的模型可以用来预测用户未来可能会听的歌曲，无论是在短期还是长期。
2017-08-22 cs.IR
A User-Centered Investigation of Personal Music Tours
流媒体服务使用推荐系统向用户呈现正确的音乐。播放列表是一种流行的方式，目前的音乐在一个列表样的时尚，即作为一个平原名单的歌曲。另一种选择是巡演，歌曲交替进行，这解释了连续歌曲之间的联系。旅游解决用户需要寻求有关歌曲的背景信息，并被发现优于播放列表，给出了正确的用户上下文。在这项工作中，我们提供了，第一次，一个以用户为中心的评价两个旅游生成算法（贪婪和最佳）使用半结构化面试。我们评估的算法，我们讨论的算法产生的旅游的属性，我们确定哪些属性是可取的，哪些不是，我们列举了几个可能的改进算法，以及如何实现改进的实际建议。我们的主要研究结果是，贪婪产生更多的可爱的旅游比最佳的，旅游的三个重要属性是segue多样性，歌曲安排和歌曲熟悉度。更一般地说，我们提供了如何向用户呈现音乐的见解，这可以为以用户为中心的推荐系统的设计提供信息。
2022-08-16 cs.IR
Time-Aware Music Recommender Systems: Modeling the Evolution of Implicit User Preferences and User Listening Habits in A Collaborative Filtering Approach
University of Salamanca（萨拉曼卡大学）；Illinois Institute of Technology（伊利诺伊理工大学）
在线流媒体服务已成为最流行的听音乐的方式。这些服务中的大多数都具有推荐机制，可以帮助用户从大量可用的音乐中发现他们可能感兴趣的歌曲和艺术家。然而，许多是不可靠的，因为它们可能没有考虑到上下文方面或不断发展的用户行为。因此，有必要开发考虑这些方面的系统。在音乐领域，时间是影响用户偏好和管理其效果的最重要因素之一，也是本文提出的工作背后的动机。这里，检查关于何时播放歌曲的时间信息。其目的是模拟用户偏好的演变形式的演变隐式评级和用户收听行为。在这项工作中提出的协同过滤方法，日常收听习惯被捕获，以表征用户，并为他们提供更可靠的建议。验证结果表明，该方法在生成上下文感知和上下文无关的推荐方面都优于其他方法
2020-08-26 cs.IR cs.LG
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
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
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
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
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
Online Music Listening Culture of Kids and Adolescents: Listening Analysis and Music Recommendation Tailored to the Young
在本文中，我们分析了来自Last.fm的用户生成的音乐收听事件的大型数据集，重点关注6至18岁的用户。我们的贡献是双重的。首先，我们研究这个年轻的用户组的音乐类型的偏好，并分析这些偏好的同质性更细粒度的年龄组和性别和国家。第二，我们研究了一个协同过滤推荐器的性能时，定制的音乐推荐，以不同的年龄组。我们发现，这样做可以提高18岁以下所有用户组的性能，但会降低19岁及以上成年用户的性能。
2019-12-24 cs.IR
Investigating Popularity Bias Amplification in Recommender Systems Employed in the Entertainment Domain
本文分析音乐、电影和动画数据集，揭示推荐频率与物品流行度正相关，导致非主流兴趣用户推荐准确性下降，并阐明准确性、算法校准与流行度偏差放大的关系。
2025-05-13 cs.IR
A Brief History of Recommender Systems
互联网发明后不久，推荐系统就出现了，相关技术得到了学术界和工业界的广泛研究和应用。目前，推荐系统已经成为最成功的Web应用之一，每天通过推荐不同类型的内容为数十亿人提供服务，包括新闻提要，视频，电子商务产品，音乐，电影，书籍，游戏，朋友，工作等。这些成功的案例证明了推荐系统可以将大数据转化为高价值。本文简要回顾了Web推荐系统的发展历史，主要从两个方面：（1）推荐模型，（2）典型推荐系统的体系结构。我们希望通过这篇简短的回顾，能够帮助我们了解网络推荐系统的发展过程，这些点在未来会以某种方式连接起来，这将激励我们构建更先进的推荐服务，以更好地改变世界。
2022-09-05 cs.IR
Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery
MILA（蒙特利尔学习算法研究所）；Google（谷歌）
本研究针对音乐推荐系统中的流行度偏差问题，提出基于领域感知个体公平性的BOOST方法，在冷启动场景下的播放列表与用户级推荐任务中，性能及小众内容推荐效果均优于现有公平基准。
2023-08-28 cs.CY cs.IR cs.LG
Exploring Popularity Bias in Music Recommendation Models and Commercial Steaming Services
Ithaca College（伊萨卡学院）；Cornell University（康奈尔大学）
流行性偏见是指推荐系统在向用户推荐艺术家时会过度偏袒受欢迎的艺术家。因此，他们可能会促成一个赢家通吃的市场，在这个市场中，少数艺术家几乎获得了所有的关注，而类似的优秀艺术家则不太可能被发现。在本文中，我们试图衡量流行偏见在三个国家的最先进的推荐系统模型（例如，SLIM，Multi-VAE，WRMF）和三个商业音乐流媒体服务（Spotify，Amazon Music，YouTube）。我们发现，最准确的模型（SLIM）也有最流行的偏见，而不太准确的模型有较少的流行偏见。我们也没有发现任何证据的流行偏见的商业建议的基础上模拟用户实验。
2022-08-19 cs.IR cs.LG cs.MM
Collaborating with Users in Proximity for Decentralized Mobile Recommender Systems
通常，来自任何领域的推荐系统，无论是电影、音乐、餐馆等，以集中的方式组织起来。服务提供商拥有所有的数据，推荐算法中的偏见对用户来说并不透明，并且服务提供商经常产生锁定效应，使得用户不方便切换提供商。在本文中，我们认为，用户的智能手机已经拥有了大量的数据，输入到典型的推荐系统的电影，音乐，或POI。随着智能手机和其他用户在公共场所或公共交通工具中的无处不在，数据可以以设备到设备的方式直接在用户之间交换。通过这种方式，每个智能手机都可以建立自己的数据库并计算自己的推荐。这种系统的好处之一是，它不限于只为一个用户推荐-特设组推荐也是可能的。虽然这样的平台的基础设施已经存在-智能手机已经在用户的手掌-有关于移动推荐系统平台以及其推荐算法的挑战。在本文中，我们提出了一个移动架构所描述的系统-包括数据汇集，数据交换和推荐系统-并强调其挑战和机遇。
2019-06-07 cs.IR cs.SI
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
Exploration in Interactive Personalized Music Recommendation: A Reinforcement Learning Approach
National University of Singapore（新加坡国立大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
当前的音乐推荐系统通常通过推荐具有最高用户评级的歌曲来以贪婪的方式起作用。然而，贪婪的推荐从长远来看是次优的：它不会主动收集用户偏好的信息，也不会推荐可能感兴趣的新颖歌曲。一个成功的推荐系统必须平衡探索用户偏好和利用这些信息进行推荐的需求。本文提出了一种新的音乐推荐方法，将这种探索-利用权衡公式化为一种称为多臂强盗的强化学习任务。为了学习用户偏好，它使用贝叶斯模型，该模型考虑了音频内容和推荐的新颖性。采用分段线性近似模型和变分推理算法来加快贝叶斯推理。我们的方法的另一个好处是音乐推荐和播放列表生成的单一统一模型。模拟结果和用户研究表明，新方法的强大潜力。
2013-11-06 cs.IR cs.LG cs.MM
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
Automatic Collection Creation and Recommendation
Airtel Digital
我们提出了一个集合推荐系统，可以自动创建和推荐的项目在用户级别的集合。与输出前N个相关项目的常规推荐系统不同，集合推荐系统输出项目的集合，使得集合中的项目与用户相关，并且集合内的项目遵循特定主题。我们的系统建立在项目推荐系统学习的用户项目表示之上。我们采用降维和聚类技术以及直观的分类来创建具有评级和标题的集合。我们在一个流行的音乐流媒体服务中，在现实世界的音乐推荐环境中测试这些想法。我们发现，当推荐收藏品时，消费量增加了2.3倍。此外，它导致房地产的有效利用，并导致推荐更多和更多样化的项目集。据我们所知，这是第一次在如此大的规模上进行此类实验。
2021-05-03 cs.IR cs.LG
Do Loyal Users Enjoy Better Recommendations? Understanding Recommender Accuracy from a Time Perspective
在学术研究中，推荐系统通常在基准数据集上进行评估，而没有太多考虑全局时间轴。因此，我们无法回答这样的问题：忠诚用户比非忠诚用户享受更好的推荐吗？忠诚度可以通过用户在推荐系统中活跃的时间段来定义，或者通过用户具有的历史交互的数量来定义。在本文中，我们沿着全球时间轴对推荐结果进行了全面的分析。我们用五种广泛使用的模型进行实验，即，BPR、NeuMF、LightGCN、SASRec和TiSASRec，基于四个基准数据集，即，MovieLens-25 M，Yelp，亚马逊音乐和亚马逊电子。我们的实验结果对上述问题给出了否定的回答。具有许多历史交互的用户遭受相对较差的推荐。使用系统时间较短的用户可以享受更好的推荐。这两个发现都是违反直觉的。有趣的是，最近与系统交互的用户，相对于测试实例的时间点，享受更好的推荐。关于新近度的发现适用于所有用户，无论用户的忠诚度如何。我们的研究提供了一个不同的角度来理解推荐准确性，我们的研究结果可能会引发重新审视推荐模型的设计。代码可在\url {https：github.com/putatu/recommenderLoyalty.
2022-07-04 cs.IR
"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
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
Improved Estimation of Ranks for Learning Item Recommenders with Negative Sampling
针对推荐系统中因物品数量增长导致传统负采样引入偏差的问题，提出一种纠正排名估计的方法，通过提供WARP和LambdaRank的采样批处理版本并改进排名估计，有效提升了推荐模型的训练效率与质量。
2024-10-10 cs.IR
Do Social Explanations Work? Studying and Modeling the Effects of Social Explanations in Recommender Systems
与社交网络相关联的推荐系统通常使用社交解释（例如，“X、Y和2个朋友喜欢这个”）来支持推荐。我们提出了一个研究这些社会解释的音乐推荐背景下的影响。我们从237个用户的实验开始，在这个实验中，我们展示了不同层次的社会信息的解释，并分析了它们对用户决策的影响。我们区分了两个关键的决定：检查推荐的艺术家的可能性，以及基于听几首歌的艺术家的实际评级。我们发现，虽然解释的可能性有一定的影响，有可能性和实际（听）评级为同一艺术家之间的相关性不大。基于这些见解，我们提出了一个生成概率模型，解释解释和音乐偏好的背景信息之间的相互作用，以及如何导致艺术家的最终可能性评级。承认解释的影响，我们讨论了一个一般的建议框架，模型外部信息元素的推荐界面，除了用户的固有偏好。
2013-04-11 cs.IR cs.SI physics.soc-ph
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
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
Recommending Podcasts for Cold-Start Users Based on Music Listening and Taste
Spotify；Cornell University（康奈尔大学）
推荐系统越来越多地用于预测和提供符合用户口味的内容，但将新用户与相关内容相匹配的任务仍然是一个挑战。我们认为播客是一种采用率快速增长的新兴媒体，并讨论了应用传统推荐方法解决冷启动问题时出现的挑战。使用音乐消费行为，我们研究了两种主要的技术来推断Spotify用户对超过20万个播客的偏好。我们的研究结果表明，离线和在线实验的消费高达50%的显着改善。我们对模型性能进行了广泛的分析，并研究了音乐数据作为输入源在推荐中引入偏见的程度。
2020-07-27 cs.IR cs.LG
Recommender for Its Purpose: Repeat and Exploration in Food Delivery Recommendations
本文针对外卖推荐中复购与探索行为的独特特征，提出 ReRec 和 ExpRec 两个独立模型，并在三个真实数据集上验证其在复购、探索及组合推荐任务中优于现有基线。
2024-02-22 cs.IR
Robustness and User-Perceived Value of Popularity Calibration in Music Recommendation: A User Study
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；Jönköping University（延雪平大学）；Know-Center GmbH（Know-Center有限公司）；Know Center Research GmbH（Know Center研究有限公司）；University of Graz（格拉茨大学）；Graz University of Technology（格拉茨工业大学）；Linz Institute of Technology（林茨理工学院）
该研究通过用户实验探究音乐推荐中流行度校准的感知价值与鲁棒性，发现用户能感知不同流行度构成的列表差异但不偏好校准型，且JSD与感知流行度的关联受多种因素影响，计算与用户判断的流行度标签契合度弱。
2026-08-07 cs.IR
Quantitative analysis of Matthew effect and sparsity problem of recommender systems
HC Research（HC研究院）；HC Financial Service Group（HC金融服务集团）
推荐系统已经获得了巨大的商业成功。推荐技术在电子商务、在线音乐FM、在线新闻门户等领域得到了广泛的应用，然而与输入数据结构相关的一些问题对推荐系统的性能提出了严峻的挑战。其中两个问题是马太效应和稀疏性问题。马太效应严重地使推荐系统的输出偏向于受欢迎的项目。数据稀疏性问题直接影响推荐结果的覆盖率。协同过滤是一个简单的基准普遍采用的行业作为基线推荐系统的设计。了解协同过滤的底层机制是进一步优化的关键。本文对协同过滤特定上下文环境下的马太效应和稀疏性问题进行了深入的定量分析。我们比较了基于用户和基于项目的协同过滤的基本机制，并为工业推荐系统的构建者提供了见解。
2019-09-24 cs.IR cs.LG
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
RARD: The Related-Article Recommendation Dataset
推荐系统数据集用于推荐系统评估、训练机器学习算法和探索用户行为。虽然在电影、书籍和音乐领域有许多用于推荐系统的数据集，但来自研究论文推荐系统的数据集却相当少。在本文中，我们介绍了RARD，相关文章推荐数据集，从数字图书馆Sowiport和解释作为一种服务提供商先生DLib。该数据集包含向Sowiport用户显示的5740万条推荐信息。这些信息包括使用了哪些推荐方法（例如基于内容的过滤，刻板印象，最流行的），在基于内容的过滤中使用了哪些类型的功能（简单术语与关键词），从哪里提取功能（标题或摘要），以及推荐被交付和点击的时间。此外，数据集包含一个隐式的项目-项目评级矩阵，该矩阵是根据推荐点击日志创建的。RARD使研究人员能够训练用于研究论文推荐的机器学习算法，进行离线评估，并对DLib先生的推荐系统的数据进行研究，而无需自己实现推荐系统。在科学推荐系统领域，我们的数据集是独一无二的。据我们所知，没有数据集有更多的（隐式）评级可用，以及推荐算法的许多变化。该数据集可在http://data.mr-dlib.org上获得，并在Creative Commons Attribution 3.0 Unported（CC-BY）许可下发布。
2017-06-20 cs.IR
The Importance of Song Context and Song Order in Automated Music Playlist Generation
音乐播放列表的自动生成可以自然地被视为顺序任务，其中推荐系统建议构成收听会话的歌曲流。为了预测播放列表中的下一首歌曲，到目前为止提出的一些播放列表模型考虑播放列表中的当前和先前歌曲（即，歌曲上下文）以及可能的歌曲在播放列表中的顺序。我们调查的歌曲上下文和歌曲顺序对下一首歌的建议进行专门的离线实验两个数据集的手工策划的音乐播放列表的影响。首先，我们比较了三个播放列表模型，每个模型都能够考虑不同的歌曲上下文长度：基于流行度的模型，基于歌曲的协同过滤（CF）模型和基于递归神经网络（RNN）的模型。我们还考虑了一个模型，随机预测下一首歌曲作为参考。其次，我们通过操纵播放列表中歌曲的顺序来挑战RNN模型（第一个实验中唯一能够考虑歌曲顺序的模型）。我们的研究结果表明，歌曲的背景下，下一首歌的推荐质量有积极的影响，即使这种影响可以掩盖的偏见非常流行的歌曲。此外，在我们的实验中，歌曲顺序并没有出现作为一个关键变量，以预测更好的下一首歌曲的建议。
2018-07-12 cs.IR
Consistence beats causality in recommender systems
信息的爆炸性增长挑战了人们寻找符合自己兴趣的项目的能力。推荐系统提供了一个有效的解决方案，自动推可能相关的项目，根据用户过去的喜好。推荐算法通常体现了从已经收集到什么到应该推荐什么之间的因果关系。在这篇文章中，我们认为，在许多情况下，用户的兴趣是稳定的，因此以前和未来的偏好是高度一致的。因此，收集的时间顺序并不一定意味着因果关系。我们进一步提出了一个基于一致性的算法，优于国家的最先进的推荐算法在不同的真实数据集，包括\textit{Netflix}，\textit{MovieLens}，\textit{Amazon}和\textit{Rate Your Music}。
2015-01-15 cs.IR physics.data-an
Scaling Recommender Transformers to One Billion Parameters
HSE University（高等经济大学）；Yandex；ITMO University（ITMO大学）
本文提出了一种训练十亿参数推荐器的方法，通过分解自回归学习为反馈预测和下一项预测，实现了推荐系统性能的显著提升。
2026-02-18 cs.IR
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
Negative Feedback for Music Personalization
SiriusXM Radio Inc.（SiriusXM广播公司）
本文研究互联网广播下一歌曲推荐中的负反馈利用，证明真实负反馈作为训练目标和用户跳过作为序列输入可显著缩短训练时间、提升准确率与覆盖率。
2024-06-06 cs.IR cs.LG
Sequences as Nodes for Contrastive Multimodal Graph Recommendation
University of Surrey（萨里大学）
MuSICRec通过多视图图方法结合协同、序列和多模态信号，提升推荐系统在冷启动和数据稀疏问题上的性能。
2026-02-06 cs.AI cs.IR
Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation
Stanford University（斯坦福大学）；Google Research（谷歌研究院）
提出TalkTheWalk框架，利用领域专业知识与语言模型合成超百万条高质量对话数据，解决对话式推荐系统训练数据难获取的问题，并在音乐推荐检索任务中超越基线。
2023-11-18 cs.CL cs.IR
Understanding Longitudinal Dynamics of Recommender Systems with Agent-Based Modeling and Simulation
University of Minnesota（明尼苏达大学）；University of Klagenfurt（克拉根福大学）；Indiana University（印第安纳大学）
当今推荐系统的研究很大程度上基于静态的实验设计，从某种意义上说，它们没有考虑向用户提供推荐的潜在纵向影响。然而，实际上，各种重要和有趣的现象只会随着时间的推移而出现或变得可见，例如，当推荐系统持续地加强音乐流媒体站点上已经成功的艺术家的受欢迎程度时，或者当以利润最大化为目标的推荐导致长期失去消费者信任时。在本文中，我们将讨论如何基于代理的建模与仿真（ABM）技术可以用来研究这样重要的纵向动态推荐系统。为此，我们提供了一个概述的ABM原则，概述了一个模拟框架的推荐系统的基础上的文献，并讨论了各种实际的研究问题，可以解决这样一个基于ABM的模拟框架。
2021-08-25 cs.AI cs.IR
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
