Fugu-MT 論文翻訳(概要): Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning

論文の概要: Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning

arxiv url: http://arxiv.org/abs/2207.13909v1
Date: Thu, 28 Jul 2022 07:02:48 GMT
ステータス: 処理完了
システム内更新日: 2022-07-29 12:57:14.592799
Title: Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
Title（参考訳）: コントラスト学習によるコンテンツベース音楽レコメンデーションにおける否定的選好の活用
Authors: Minju Park, Kyogu Lee
Abstract要約: 音楽レコメンデーションモデルと対照学習活用選好(CLEP)を比較して、ユーザの音楽嗜好におけるネガティブな嗜好の役割を分析する。実験の結果,CLEP-Nは他の2つよりも精度が高く,偽陽性率が高いことがわかった。
参考スコア（独自算出の注目度）: 16.728976424372362
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Advanced music recommendation systems are being introduced along with the development of machine learning. However, it is essential to design a music recommendation system that can increase user satisfaction by understanding users' music tastes, not by the complexity of models. Although several studies related to music recommendation systems exploiting negative preferences have shown performance improvements, there was a lack of explanation on how they led to better recommendations. In this work, we analyze the role of negative preference in users' music tastes by comparing music recommendation models with contrastive learning exploiting preference (CLEP) but with three different training strategies - exploiting preferences of both positive and negative (CLEP-PN), positive only (CLEP-P), and negative only (CLEP-N). We evaluate the effectiveness of the negative preference by validating each system with a small amount of personalized data obtained via survey and further illuminate the possibility of exploiting negative preference in music recommendations. Our experimental results show that CLEP-N outperforms the other two in accuracy and false positive rate. Furthermore, the proposed training strategies produced a consistent tendency regardless of different types of front-end musical feature extractors, proving the stability of the proposed method.
Abstract（参考訳）: 高度な音楽レコメンデーションシステムは、機械学習の開発とともに導入されている。しかし,モデルの複雑さではなく,ユーザの好みを理解することでユーザの満足度を高める音楽レコメンデーションシステムを設計することが不可欠である。音楽レコメンデーションシステムに関するいくつかの研究は、ネガティブな嗜好を生かし、パフォーマンスの改善を示したが、どのようにしてより良いレコメンデーションに繋がったかについては説明がつかなかった。本研究は,音楽推薦モデルとコントラスト学習による選好(CLEP)を比較し,ユーザの音楽嗜好における負の選好の役割を,正と負の両方の選好(CLEP-PN),正のみ(CLEP-P)と負のみ(CLEP-N)の3つの異なる学習戦略を用いて分析する。調査により得られた個人化データの少ないデータで各システムの有効性を検証し,音楽レコメンデーションにおけるネガティブな嗜好の活用の可能性を明らかにする。実験の結果,CLEP-Nは他の2つよりも精度が高く,偽陽性率が高いことがわかった。さらに,提案手法の安定性を実証するために,前端特徴抽出器の種類によらず,学習戦略が一貫した傾向を示した。

関連論文リスト

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)
CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文参考訳（メタデータ） (2024-08-26T16:21:50Z)
Algorithmic Collective Action in Recommender Systems: Promoting Songs by Reordering Playlists [10.681288493631978]
変圧器を用いた推薦システムにおけるアルゴリズム的集団行動について検討する。我々のユースケースは、アーティストがコントロールする既存のプレイリストに曲を戦略的に配置することで、アーティストの可視性を促進することを目的としたファンの集まりである。我々は,この目標に向けて,実装が容易な2つの戦略を導入し,主要な音楽ストリーミングプラットフォームがリリースするレコメンデータシステムモデル上で,その有効性を検証した。
論文参考訳（メタデータ） (2024-03-19T23:27:15Z)
Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation [0.27195102129094995]
負のフィードバックを取り入れ、正のヒットを促進し、負のヒットを罰する対照的な学習課題を提案する。実験の結果,これはユーザからのネガティブなフィードバックを無視したベースラインアーキテクチャよりも一貫したパフォーマンス向上をもたらすことがわかった。
論文参考訳（メタデータ） (2023-09-20T20:21:13Z)
Learning from Negative User Feedback and Measuring Responsiveness for Sequential Recommenders [13.762960304406016]
シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-08-23T17:16:07Z)
Recommendation with User Active Disclosing Willingness [20.306413327597603]
本研究では,ユーザが異なる行動を公開する上で,その「意志」を示すことを許される,新しい推薦パラダイムについて検討する。我々は,推薦品質とユーザ開示意欲のバランスをとる上で,モデルの有効性を示すため,広範囲な実験を行った。
論文参考訳（メタデータ） (2022-10-25T04:43:40Z)
Generating Negative Samples for Sequential Recommendation [83.60655196391855]
逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
論文参考訳（メタデータ） (2022-08-07T05:44:13Z)
Learning Robust Recommender from Noisy Implicit Feedback [140.7090392887355]
我々はAdaptive Denoising Training(ADT)という新しいトレーニング戦略を提案する。 ADTは2つのパラダイム(Trncated LossとReweighted Loss)によるノイズ相互作用を適応的に引き起こす我々は、追加のフィードバック(例えば、評価)を補助信号とみなし、追加のフィードバックをADTに組み込むための3つの戦略を提案する。
論文参考訳（メタデータ） (2021-12-02T12:12:02Z)
Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文参考訳（メタデータ） (2021-09-13T15:02:55Z)
PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2021-06-05T01:33:21Z)
Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文参考訳（メタデータ） (2021-05-20T08:59:44Z)

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。