Fugu-MT 論文翻訳(概要): Music Recommendation on Spotify using Deep Learning

論文の概要: Music Recommendation on Spotify using Deep Learning

arxiv url: http://arxiv.org/abs/2312.10079v1
Date: Sun, 10 Dec 2023 07:35:17 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 13:49:40.578583
Title: Music Recommendation on Spotify using Deep Learning
Title（参考訳）: ディープラーニングを用いたspotifyの音楽レコメンデーション
Authors: Chhavi Maheshwari
Abstract要約: 約5000万から40億ギガバイトのデータをホストしているSpotifyでは、毎日膨大な量のデータが生成される。本稿では,ディープラーニングのアプローチを応用して,利用者の嗜好度を最大化するための適切なフィルタリングを実現することを目的とする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Hosting about 50 million songs and 4 billion playlists, there is an enormous amount of data generated at Spotify every single day - upwards of 600 gigabytes of data (harvard.edu). Since the algorithms that Spotify uses in recommendation systems is proprietary and confidential, code for big data analytics and recommendation can only be speculated. However, it is widely theorized that Spotify uses two main strategies to target users' playlists and personalized mixes that are infamous for their retention - exploration and exploitation (kaggle.com). This paper aims to appropriate filtering using the approach of deep learning for maximum user likeability. The architecture achieves 98.57% and 80% training and validation accuracy respectively.
Abstract（参考訳）: 約5000万曲と40億のプレイリストをホストするspotifyには、毎日膨大な量のデータがあり、600ギガバイト以上のデータがある(harvard.edu)。 Spotifyがレコメンデーションシステムで使用しているアルゴリズムはプロプライエタリで機密であるため、ビッグデータ分析とレコメンデーションのためのコードは推測のみ可能である。しかしながら、Spotifyはユーザーのプレイリストとパーソナライズされたミックスをターゲットとして、探索とエクスプロイト(kaggle.com)という2つの主要な戦略を使用していると広く説かれている。本稿では,深層学習のアプローチを応用したフィルタリングを最大限に活用することを目的としている。アーキテクチャはそれぞれ98.57%と80%のトレーニングと検証精度を達成している。

関連論文リスト

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)
"All of Me": Mining Users' Attributes from their Public Spotify Playlists [18.77632404384041]
人々は自分の音楽の好みを表現するために自分のプレイリストを作成し、公開します。これらのパブリックアクセス可能なプレイリストは、ユーザの属性とアイデンティティに関する豊富な洞察の源となっている。人口統計,習慣,性格特性など,ユーザの個人属性に関連付けられた繰り返し音楽的特徴の同定に焦点をあてる。
論文参考訳（メタデータ） (2024-01-25T16:38:06Z)
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)
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)
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)
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)
Review-Based Tip Generation for Music Songs [15.318127987849092]
我々は,楽曲レビューからヒントを自動的に生成するGenTMSというフレームワークを提案する。データセットは、128曲の8,003の中国製チップ/ノンチップで構成されている。実験の結果、GenTMSは85.56%でトップ10の精度を達成し、最低でも3.34%の精度でベースラインモデルを上回った。
論文参考訳（メタデータ） (2022-05-14T06:40:49Z)
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)
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)
dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
論文参考訳（メタデータ） (2020-07-29T19:20:07Z)
Learning to rank music tracks using triplet loss [6.43271391521664]
楽曲を明示的にタグ付けすることなく、音声コンテンツに基づいて直接レコメンデーションを行う手法を提案する。畳み込みニューラルネットワークを訓練し、三重項損失による類似性を学習する。結果は、特に自動プール層に関連付けられた場合、システムの効率性を強調します。
論文参考訳（メタデータ） (2020-05-18T08:20:54Z)

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。