Fugu-MT 論文翻訳(概要): A Scalable Framework for Automatic Playlist Continuation on Music Streaming Services

論文の概要: A Scalable Framework for Automatic Playlist Continuation on Music Streaming Services

arxiv url: http://arxiv.org/abs/2304.09061v1
Date: Wed, 12 Apr 2023 08:46:04 GMT
ステータス: 処理完了
システム内更新日: 2023-04-23 04:16:30.566098
Title: A Scalable Framework for Automatic Playlist Continuation on Music Streaming Services
Title（参考訳）: 音楽ストリーミングサービスにおけるプレイリスト自動継続のためのスケーラブルフレームワーク
Authors: Walid Bendada and Guillaume Salha-Galvan and Thomas Bouab\c{c}a and Tristan Cazenave
Abstract要約: スケーラブルで効果的な自動プレイリスト継続モデルを構築するための一般的なフレームワークを紹介します。 SpotifyのMillion Playlistデータセットの詳細な実験検証を通じて、このフレームワークの妥当性を実証する。本サービスにおける大規模オンラインA/Bテストの結果を報告する。
参考スコア（独自算出の注目度）: 5.215058915075775
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Music streaming services often aim to recommend songs for users to extend the playlists they have created on these services. However, extending playlists while preserving their musical characteristics and matching user preferences remains a challenging task, commonly referred to as Automatic Playlist Continuation (APC). Besides, while these services often need to select the best songs to recommend in real-time and among large catalogs with millions of candidates, recent research on APC mainly focused on models with few scalability guarantees and evaluated on relatively small datasets. In this paper, we introduce a general framework to build scalable yet effective APC models for large-scale applications. Based on a represent-then-aggregate strategy, it ensures scalability by design while remaining flexible enough to incorporate a wide range of representation learning and sequence modeling techniques, e.g., based on Transformers. We demonstrate the relevance of this framework through in-depth experimental validation on Spotify's Million Playlist Dataset (MPD), the largest public dataset for APC. We also describe how, in 2022, we successfully leveraged this framework to improve APC in production on Deezer. We report results from a large-scale online A/B test on this service, emphasizing the practical impact of our approach in such a real-world application.
Abstract（参考訳）: 音楽ストリーミングサービスは、ユーザーがこれらのサービスで作ったプレイリストを拡張するために曲を推薦することが多い。しかし、音楽的特徴を保ちながらプレイリストを拡張し、ユーザの好みに合うようにすることは難しい課題であり、一般にはAutomatic Playlist Continuation (APC)と呼ばれる。さらに、これらのサービスは、数百万の候補を持つ大規模なカタログの中で、リアルタイムに推奨する最適な曲を選択する必要があることが多いが、最近のAPCの研究は主に、スケーラビリティの保証が少ないモデルに焦点を当て、比較的小さなデータセットで評価されている。本稿では,大規模アプリケーションのためのスケーラブルで効率的なAPCモデルを構築するための汎用フレームワークを提案する。表現集約(represent-then-aggregate)戦略に基づいて、設計によるスケーラビリティを確保しながら、トランスフォーマに基づいて、幅広い表現学習とシーケンスモデリングテクニックを取り入れられるほど柔軟である。 APCの最大の公開データセットであるSpotifyのMillion Playlist Dataset(MPD)の詳細な実験検証を通じて、このフレームワークの妥当性を実証する。 2022年には、このフレームワークをうまく活用して、DeezerのプロダクションにおけるAPCを改善する方法を説明した。我々は,本サービスにおける大規模オンラインA/Bテストの結果を報告し,そのような実世界のアプリケーションにおける我々のアプローチの実践的影響を強調した。

関連論文リスト

Audio Processing using Pattern Recognition for Music Genre Classification [0.0]
本研究は,GTZANデータセットを用いた音楽ジャンル分類における機械学習手法の適用について検討する。パーソナライズされた音楽レコメンデーションの需要が高まる中、私たちは、ブルース、クラシック、ジャズ、ヒップホップ、カントリーという5つのジャンルの分類に注力しました。 ANNモデルは最高の性能を示し、検証精度は92.44%に達した。
論文参考訳（メタデータ） (2024-10-19T05:44:05Z)
Transformers Meet ACT-R: Repeat-Aware and Sequential Listening Session Recommendation [12.295794664393368]
PISAは,音楽ストリーミングサービスのセッションレベルのシーケンシャルレコメンデーションシステムである。 PISAは、リスニングセッションとユーザの埋め込み表現を学習するTransformerアーキテクチャを採用している。我々は、Last.fmの公開リスニングデータとDeezerのプロプライエタリデータの両方を用いて、PISAの実証的妥当性を示す。
論文参考訳（メタデータ） (2024-08-29T14:44:12Z)
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)
VidMuse: A Simple Video-to-Music Generation Framework with Long-Short-Term Modeling [71.01050359126141]
ビデオ入力に対応する音楽を生成するためのフレームワークであるVidMuseを提案する。 VidMuseは、ビデオと音響的、意味的に一致した高忠実な音楽を生成する。
論文参考訳（メタデータ） (2024-06-06T17:58:11Z)
MusicAgent: An AI Agent for Music Understanding and Generation with Large Language Models [54.55063772090821]
MusicAgentは、多数の音楽関連ツールと、ユーザの要求に対処するための自律ワークフローを統合している。このシステムの第一の目的は、AI音楽ツールの複雑さからユーザーを解放し、クリエイティブな側面に集中できるようにすることである。
論文参考訳（メタデータ） (2023-10-18T13:31:10Z)
Related Rhythms: Recommendation System To Discover Music You May Like [2.7152798636894193]
本稿では, 分散機械学習パイプラインをデライン化し, 歌のサブセットを入力として取り出し, 入力されたサブセットに類似していると認識された曲の新たなサブセットを生成する。公開されているMillion Songsデータセット(MSD)は、研究者がオーディオトラックの分析とレコメンデーションのための合理的に効率的なシステムを開発し、探索することを可能にする。提案するアプリケーションの目的は、ユーザーが好む曲を最適に推薦するように訓練されたMLシステムを活用することである。
論文参考訳（メタデータ） (2023-09-24T04:18:40Z)
MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
論文参考訳（メタデータ） (2023-06-18T12:56:46Z)
Simple and Controllable Music Generation [94.61958781346176]
MusicGenは単一の言語モデル(LM)であり、圧縮された離散的な音楽表現、すなわちトークンの複数のストリームで動作する。以前の作業とは異なり、MusicGenはシングルステージのトランスフォーマーLMと効率的なトークンインターリービングパターンで構成されている。
論文参考訳（メタデータ） (2023-06-08T15:31:05Z)
MATT: A Multiple-instance Attention Mechanism for Long-tail Music Genre Classification [1.8275108630751844]
不均衡音楽ジャンル分類は音楽情報検索(MIR)分野において重要な課題である。既存のモデルのほとんどは、クラスバランスの音楽データセット用に設計されている。末尾クラスを特定するために,MATT(Multi-Instance Attention)と呼ばれる新しいメカニズムを提案する。
論文参考訳（メタデータ） (2022-09-09T03:52:44Z)
Lets Play Music: Audio-driven Performance Video Generation [58.77609661515749]
オーディオ駆動型パーパフォーマンスビデオ生成(APVG)という新しいタスクを提案する。 APVGは、特定の音楽オーディオクリップでガイドされた特定の楽器を演奏する人のビデオを合成することを目的としている。
論文参考訳（メタデータ） (2020-11-05T03:13:46Z)

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。