論文の概要: Flow Moods: Recommending Music by Moods on Deezer

• arxiv url: http://arxiv.org/abs/2207.11229v1
• Date: Fri, 15 Jul 2022 10:23:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-31 14:32:18.975390
• Title: Flow Moods: Recommending Music by Moods on Deezer
• Title（参考訳）: Flow Moods:Deezerで音楽のリコメンデーションを行う
• Authors: Th\'eo Bontempelli and Benjamin Chapus and Fran\c{c}ois Rigaud and Mathieu Morlon and Marin Lorant and Guillaume Salha-Galvan
• Abstract要約: Flowアルゴリズムは、Deezer上でパーソナライズされたラジオスタイルの曲のプレイリストを生成する。 過去数年間の有望な結果にもかかわらず、Flowはリコメンデーションを提供する際のユーザのムードを無視していた。 この制限に対処するFlowの改良版であるFlow Moodsを紹介します。
• 参考スコア（独自算出の注目度）: 1.6311150636417262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The music streaming service Deezer extensively relies on its Flow algorithm, which generates personalized radio-style playlists of songs, to help users discover musical content. Nonetheless, despite promising results over the past years, Flow used to ignore the moods of users when providing recommendations. In this paper, we present Flow Moods, an improved version of Flow that addresses this limitation. Flow Moods leverages collaborative filtering, audio content analysis, and mood annotations from professional music curators to generate personalized mood-specific playlists at scale. We detail the motivations, the development, and the deployment of this system on Deezer. Since its release in 2021, Flow Moods has been recommending music by moods to millions of users every day.
• Abstract（参考訳）: 音楽ストリーミングサービスのDeezerは、楽曲のパーソナライズされたラジオスタイルのプレイリストを生成するFlowアルゴリズムに大きく依存している。 しかし、過去数年間の有望な結果にもかかわらず、Flowはリコメンデーションを提供する際にユーザーの気分を無視していた。 本稿では,この制限に対処するフローの改良版であるFlow Moodsを紹介する。 flow moodsは、プロの音楽キュレーターによる協調フィルタリング、オーディオコンテンツ分析、ムードアノテーションを活用して、大規模にパーソナライズされたムード固有のプレイリストを生成する。 私たちはこのシステムのモチベーション、開発、デプロイについてDeezerで詳しく説明します。 2021年にリリースされて以来、flow moodsは毎日何百万というユーザーに音楽のムードを推奨してきた。

関連論文リスト

• MusicFlow: Cascaded Flow Matching for Text Guided Music Generation [53.63948108922333]
  MusicFlowは、フローマッチングに基づくケースドテキストから音楽への生成モデルである。 学習目的としてマスク予測を活用することで,音楽の充実や継続といった他のタスクにモデルを一般化することができる。
  論文  参考訳（メタデータ） (2024-10-27T15:35:41Z)
• MuVi: Video-to-Music Generation with Semantic Alignment and Rhythmic Synchronization [52.498942604622165]
  本稿では,ビデオコンテンツに合わせた音楽を生成するためのフレームワークであるMuViについて述べる。 MuViは、特別に設計された視覚適応器を通じて映像コンテンツを分析し、文脈的および時間的に関係のある特徴を抽出する。 音声品質と時間同期の両方において, MuVi が優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-10-16T18:44:56Z)
• Personalized Music Recommendation with a Heterogeneity-aware Deep Bayesian Network [8.844728473984766]
  我々はこれらの仮定をモデル化するヘテロジニティ対応ディープベイズネットワーク(HDBN)を提案する。 HDBNは、ユーザの選択過程を模倣して、4つのコンポーネント(パーソナライズされたユーザ感情分布モデリング、後続ユーザ感情分布モデリング、ユーザグループ化、ベイジアンニューラルネットワークに基づく音楽の気分嗜好予測)で選択する。
  論文  参考訳（メタデータ） (2024-06-20T08:12:11Z)
• MuPT: A Generative Symbolic Music Pretrained Transformer [56.09299510129221]
  音楽の事前学習におけるLarge Language Models (LLM) の適用について検討する。 生成過程の異なるトラックからの不整合対策に関連する課題に対処するために,SMT-ABC Notation(Synchronized Multi-Track ABC Notation)を提案する。 私たちのコントリビューションには、最大8192個のトークンを処理可能な一連のモデルが含まれており、トレーニングセットの象徴的な音楽データの90%をカバーしています。
  論文  参考訳（メタデータ） (2024-04-09T15:35:52Z)
• MusicRL: Aligning Music Generation to Human Preferences [62.44903326718772]
  MusicRLは人間のフィードバックによって微調整された最初の音楽生成システムである。 ユーザに対してMusicLMをデプロイし,30,000対の選好からなる実質的なデータセットを収集する。 人間のフィードバックを大規模に組み込んだ最初のテキスト-音楽モデルであるMusicRL-Uを訓練する。
  論文  参考訳（メタデータ） (2024-02-06T18:36:52Z)
• 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)
• Track Mix Generation on Music Streaming Services using Transformers [2.309018557701645]
  本稿では,2022年に音楽ストリーミングサービスDeezerでリリースされたパーソナライズされたプレイリスト生成システムであるTrack Mixを紹介する。 Track Mixは、初期の音楽曲にインスパイアされた「ミックス」プレイリストを自動的に生成し、ユーザーはお気に入りのコンテンツに似た音楽を発見することができる。 ユーザプレイリストから数百万のトラックシーケンスに基づいてトレーニングされたTransformerモデルを用いて、これらのミックスを生成する。
  論文  参考訳（メタデータ） (2023-07-06T15:10:29Z)
• Psychologically-Inspired Music Recommendation System [3.032299122358857]
  感情認識型MSSを構築するために,聴取者の性格と現在の感情状態と音声特徴を関連づけることを模索する。 この結果とSpotify APIデータに基づく従来のMSSの出力とを定量的に定性的に比較し,音楽レコメンデーションの質に大きな影響を与えるかどうかを検証した。
  論文  参考訳（メタデータ） (2022-05-06T19:38:26Z)
• Explainability in Music Recommender Systems [69.0506502017444]
  音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。 本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
  論文  参考訳（メタデータ） (2022-01-25T18:32:11Z)
• A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps [1.6050172226234583]
  本稿では,音楽ストリーミングサービスDeezerに最近導入したシステムについて述べる。 このソリューションは、ディープニューラルネットワークアーキテクチャに基づいた半個人化されたレコメンデーション戦略を活用する。 本稿では,Deezerにおけるコールドスタートユーザの今後の音楽嗜好を予測する上で,このシステムの実用的影響と有効性について概説する。
  論文  参考訳（メタデータ） (2021-06-07T17:35:44Z)
• Time-Aware Music Recommender Systems: Modeling the Evolution of Implicit User Preferences and User Listening Habits in A Collaborative Filtering Approach [4.576379639081977]
  本稿では,曲の演奏時期に関する時間的情報について考察する。 その目的は、ユーザの好みの進化を、暗黙の格付けとユーザの聴取行動の進化という形でモデル化することである。 本研究で提案する協調フィルタリング手法では,ユーザを特徴付け,より信頼性の高いレコメンデーションを提供するために,日々の聴取習慣を捉えている。
  論文  参考訳（メタデータ） (2020-08-26T08:00:11Z)

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。