論文の概要: Artist-driven layering and user's behaviour impact on recommendations in a playlist continuation scenario

• arxiv url: http://arxiv.org/abs/2010.06233v1
• Date: Tue, 13 Oct 2020 08:47:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:39:45.623251
• Title: Artist-driven layering and user's behaviour impact on recommendations in a playlist continuation scenario
• Title（参考訳）: プレイリスト継続シナリオにおけるアーティスト駆動階層化とユーザの行動がレコメンデーションに及ぼす影響
• Authors: Sebastiano Antenucci, Simone Boglio, Emanuele Chioso, Ervin Dervishaj, Shuwen Kang, Tommaso Scarlatti, Maurizio Ferrari Dacrema
• Abstract要約: ACM RecSys Challenge 2018では、チームCreamy Firefliesとして使用したアプローチの概要を紹介します。 Spotifyが主催するこのコンペティションは、プレイリスト継続の問題に焦点を当てている。 私たちのチームは、コンテンツベースとコラボレーティブの両方でよく知られたモデルに基づいたソリューションを提案しています。
• 参考スコア（独自算出の注目度）: 5.726366023100079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we provide an overview of the approach we used as team Creamy Fireflies for the ACM RecSys Challenge 2018. The competition, organized by Spotify, focuses on the problem of playlist continuation, that is suggesting which tracks the user may add to an existing playlist. The challenge addresses this issue in many use cases, from playlist cold start to playlists already composed by up to a hundred tracks. Our team proposes a solution based on a few well known models both content based and collaborative, whose predictions are aggregated via an ensembling step. Moreover by analyzing the underlying structure of the data, we propose a series of boosts to be applied on top of the final predictions and improve the recommendation quality. The proposed approach leverages well-known algorithms and is able to offer a high recommendation quality while requiring a limited amount of computational resources.
• Abstract（参考訳）: 本稿では、ACM RecSys Challenge 2018でチームCreamy Firefliesとして使用したアプローチの概要を紹介する。 Spotifyが主催するこのコンペティションは、ユーザーが既存のプレイリストに追加するトラックを示唆するプレイリスト継続の問題に焦点を当てている。 この課題は、プレイリストのコールドスタートから100曲までのプレイリストまで、多くのユースケースでこの問題に対処している。 私たちのチームは、コンテンツベースとコラボレーティブの両方でよく知られたモデルに基づいたソリューションを提案しています。 さらに,データの基盤構造を解析することにより,最終的な予測の上に適用すべき一連の強化を提案し,推奨品質を向上する。 提案手法はよく知られたアルゴリズムを活用し、限られた計算資源を必要とせずに高い推奨品質を提供できる。

関連論文リスト

• Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning [0.20482269513546453]
  セッションベース音楽レコメンデーションにアイテム埋め込みを構成するためのシーケンス対応サブタスクを提案する。 これは、K-nearest-neighbors検索でアイテムランキングに直接影響する。 シーケンシャルアイテムレコメンデーションのために、このタスクをSoTAメソッドに組み込んだ実験は、一貫したパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-09-11T15:56:05Z)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• LARP: Language Audio Relational Pre-training for Cold-Start Playlist Continuation [49.89372182441713]
  マルチモーダルコールドスタートプレイリスト継続モデルであるLARPを導入する。 我々のフレームワークはタスク固有の抽象化の段階を増大させており、イントラトラック(音声)コントラスト損失、トラックトラックコントラスト損失、トラックプレイリストコントラスト損失である。
  論文  参考訳（メタデータ） (2024-06-20T14:02:15Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• GETMusic: Generating Any Music Tracks with a Unified Representation and Diffusion Framework [58.64512825534638]
  シンボリック・ミュージック・ジェネレーションは、ユーザーが音楽を作るのに役立つ音符を作成することを目的としている。 私たちは「GETMusic」と呼ばれるフレームワークを紹介します。「GET'」は「GEnerate Music Tracks」の略です。 GETScoreは、音符をトークンとして表現し、2D構造でトークンを整理する。 提案する表現は,非自己回帰生成モデルと組み合わせて,任意のソース・ターゲットトラックの組み合わせでGETMusicに音楽を生成する。
  論文  参考訳（メタデータ） (2023-05-18T09:53:23Z)
• Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
  自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。 ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。 ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
  論文  参考訳（メタデータ） (2022-06-01T13:46:25Z)
• Context-Based Music Recommendation Algorithm Evaluation [0.0]
  本稿では,ユーザが曲を好むかどうかを予測するための6つの機械学習アルゴリズムとその個々の精度について検討する。 探索されたアルゴリズムには、ロジスティック回帰、ネイブベイズ、シークエンシャル最小最適化(SMO)、マルチレイヤーパーセプトロン(ニューラルネットワーク)、Nearest Neighbor、ランダムフォレストなどがある。 Spotify APIによって提供される各曲の特徴を分析することで、Random Forestはユーザーが84%の精度で曲を好むかどうかを予測する最も成功したアルゴリズムである。
  論文  参考訳（メタデータ） (2021-12-16T01:46:36Z)
• Quick Lists: Enriched Playlist Embeddings for Future Playlist Recommendation [0.0]
  本稿では,プレイリストの長さに不変で,局所的およびグローバルなトラック順序に敏感なプレイリスト埋め込みを生成する新しい方法を提案する。 埋め込みはまた、プレイリストシークエンシングに関する情報をキャプチャし、プレイリストユーザに関する情報を充実させる。
  論文  参考訳（メタデータ） (2020-06-17T17:08:52Z)
• A session-based song recommendation approach involving user characterization along the play power-law distribution [0.0]
  この作業は、グレーシープユーザを管理し、暗黙のレーティングを取得するという、あまり注目されていない2つの重要な問題に焦点を当てている。 1つ目は通常、入手が難しいコンテンツ情報に頼って対処される。 もう一つの欠点は、明示的な評価を集めるのに障害があるときに生じる空間の問題に関係している。
  論文  参考訳（メタデータ） (2020-04-25T07:17:03Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。