論文の概要: Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery

• arxiv url: http://arxiv.org/abs/2308.14601v1
• Date: Mon, 28 Aug 2023 14:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 13:33:28.374521
• Title: Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery
• Title（参考訳）: ドメイン認識による公平性:音楽発見における人気バイアスの緩和
• Authors: Rebecca Salganik, Fernando Diaz, Golnoosh Farnadi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.77435520571752
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As online music platforms grow, music recommender systems play a vital role in helping users navigate and discover content within their vast musical databases. At odds with this larger goal, is the presence of popularity bias, which causes algorithmic systems to favor mainstream content over, potentially more relevant, but niche items. In this work we explore the intrinsic relationship between music discovery and popularity bias. To mitigate this issue we propose a domain-aware, individual fairness-based approach which addresses popularity bias in graph neural network (GNNs) based recommender systems. Our approach uses individual fairness to reflect a ground truth listening experience, i.e., if two songs sound similar, this similarity should be reflected in their representations. In doing so, we facilitate meaningful music discovery that is robust to popularity bias and grounded in the music domain. We apply our BOOST methodology to two discovery based tasks, performing recommendations at both the playlist level and user level. Then, we ground our evaluation in the cold start setting, showing that our approach outperforms existing fairness benchmarks in both performance and recommendation of lesser-known content. Finally, our analysis explains why our proposed methodology is a novel and promising approach to mitigating popularity bias and improving the discovery of new and niche content in music recommender systems.
• Abstract（参考訳）: オンライン音楽プラットフォームが成長するにつれて、音楽レコメンデーションシステムは、巨大な音楽データベース内のコンテンツをナビゲートし発見する上で重要な役割を果たす。 この大きな目標に反するのは、人気バイアスの存在であり、アルゴリズムシステムが主流のコンテンツを優先し、より関連性があり、ニッチなアイテムを優先させる。 本研究では,音楽発見と人気バイアスの関係について検討する。 この問題を軽減するために、グラフニューラルネットワーク(gnns)ベースのレコメンダシステムにおける人気バイアスに対処する、ドメイン認識による個別公平性に基づくアプローチを提案する。 われわれのアプローチでは、個々の公正さを基礎的な真理聴取体験、すなわち2つの歌が似ているとすると、この類似性はその表現に反映されるべきである。 それによって,音楽分野に根ざした人気バイアスに頑健な有意義な音楽発見が促進される。 BOOST手法を2つの発見ベースタスクに適用し、プレイリストレベルとユーザレベルの両方でレコメンデーションを実行する。 そこで,本手法は,従来のフェアネスベンチマークを性能と,あまり知られていないコンテンツの推奨の両方で上回っていることを示す。 最後に,提案手法が音楽レコメンダシステムにおける人気バイアスを軽減し,新たなニッチコンテンツの発見を改善するための新規かつ有望なアプローチであることを示す。

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)
• MeLFusion: Synthesizing Music from Image and Language Cues using Diffusion Models [57.47799823804519]
  私たちは、ミュージシャンが映画の脚本だけでなく、視覚化を通して音楽を作る方法にインスピレーションを受けています。 本稿では,テキスト記述と対応する画像からの手がかりを効果的に利用して音楽を合成するモデルであるMeLFusionを提案する。 音楽合成パイプラインに視覚情報を加えることで、生成した音楽の質が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-06-07T06:38:59Z)
• Advancing Cultural Inclusivity: Optimizing Embedding Spaces for Balanced Music Recommendations [4.276697874428501]
  音楽レコメンデーションシステムにおける人気バイアスは、人口統計や文化の軸に沿って伝播することができる。 我々は,これらのバイアスを,プロトタイプベースの行列分解法において,表現不足の文化的グループからアーティストへの推薦において識別する。 本研究は,音楽レコメンデーションにおける人気バイアスの低減と,人口・文化の公平性向上に寄与することを示す。
  論文  参考訳（メタデータ） (2024-05-27T19:12:53Z)
• 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)
• 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)
• 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)
• Follow the guides: disentangling human and algorithmic curation in online music consumption [1.4506962780822348]
  我々は1年間に約9万ユーザーのリスニング履歴を分析した。 音楽プラットフォームが提供する2種類のレコメンデーション – アルゴリズムと編集 – は、多かれ少なかれ多様なコンテンツを反対方向に消費する可能性があることを示す。
  論文  参考訳（メタデータ） (2021-09-08T20:14:48Z)
• 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)
• 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)

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。