論文の概要: Link Me Baby One More Time: Social Music Discovery on Spotify
- arxiv url: http://arxiv.org/abs/2401.08818v1
- Date: Tue, 16 Jan 2024 20:41:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 17:47:23.632952
- Title: Link Me Baby One More Time: Social Music Discovery on Spotify
- Title(参考訳): 赤ちゃんのリンクをもう1回 - spotifyでのソーシャル音楽発見
- Authors: Shazia'Ayn Babul, Desislava Hristova, Antonio Lima, Renaud Lambiotte,
Mariano Beguerisse-D\'iaz
- Abstract要約: Spotifyのデータを使って、あるユーザから別のユーザへのリンクが、共有アーティストの音楽に関わる受信機にどのように送信されるかを調べる。
本稿では,このプロセスに影響を及ぼす可能性のある要因として,送受信者関係の強さ,Spotifyソーシャルネットワークにおけるユーザの役割,音楽ソーシャル・コヒージョン,新しいアーティストがレシーバーの好みにいかに似ているか,などについて考察する。
- 参考スコア(独自算出の注目度): 0.3749861135832073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore the social and contextual factors that influence the outcome of
person-to-person music recommendations and discovery. Specifically, we use data
from Spotify to investigate how a link sent from one user to another results in
the receiver engaging with the music of the shared artist. We consider several
factors that may influence this process, such as the strength of the
sender-receiver relationship, the user's role in the Spotify social network,
their music social cohesion, and how similar the new artist is to the
receiver's taste. We find that the receiver of a link is more likely to engage
with a new artist when (1) they have similar music taste to the sender and the
shared track is a good fit for their taste, (2) they have a stronger and more
intimate tie with the sender, and (3) the shared artist is popular with the
receiver's connections. Finally, we use these findings to build a Random Forest
classifier to predict whether a shared music track will result in the
receiver's engagement with the shared artist. This model elucidates which type
of social and contextual features are most predictive, although peak
performance is achieved when a diverse set of features are included. These
findings provide new insights into the multifaceted mechanisms underpinning the
interplay between music discovery and social processes.
- Abstract(参考訳): 個人間音楽レコメンデーションと発見の結果に影響を与える社会的・文脈的要因について検討する。
具体的には、Spotifyのデータを用いて、あるユーザから別のユーザへのリンクが、共有アーティストの音楽に関わる受信者に与える影響を調べる。
本稿では,このプロセスに影響を及ぼす可能性のある要因として,送受信者関係の強さ,Spotifyソーシャルネットワークにおけるユーザの役割,音楽ソーシャル・コヒージョン,新しいアーティストがレシーバーの好みにいかに似ているか,などについて考察する。
リンクの受信者は,(1)送信者と音楽の好みが似ていて,共有トラックが好みに適している,(2)送信者とより強く親密な関係にある,(3)共有アーティストが受信者のつながりに人気がある,といった場合に,新たなアーティストとの関わりが強いことがわかった。
最後に、これらの知見を用いてランダムフォレスト分類器を構築し、共有音楽トラックがレシーバーが共有アーティストとエンゲージメントするかどうかを予測する。
このモデルでは,多様な特徴が組み込まれている場合にピーク性能が達成されるが,どのような社会的特徴や文脈的特徴が最も予測可能であるかが決定される。
これらの知見は,音楽発見と社会プロセスの相互作用を支える多面的メカニズムに対する新たな洞察を与える。
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) - 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) - Affective Idiosyncratic Responses to Music [63.969810774018775]
本研究では,中国社会音楽プラットフォーム上での403万以上のリスナーコメントから,音楽に対する感情応答を測定する手法を開発した。
我々は,聴取者の感情反応を促進する音楽的,歌詞的,文脈的,人口動態的,精神的健康的効果をテストした。
論文 参考訳(メタデータ) (2022-10-17T19:57:46Z) - Understanding How People Rate Their Conversations [73.17730062864314]
我々は、人々が会話エージェントとのインタラクションをどのように評価するかをよりよく理解するために研究を行う。
我々は、評価の変動を説明する変数として、同意性と外向性に焦点を当てる。
論文 参考訳(メタデータ) (2022-06-01T00:45:32Z) - 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) - Contrastive Learning with Positive-Negative Frame Mask for Music
Representation [91.44187939465948]
本稿では,PEMRと略記したコントラッシブラーニングフレームワークに基づく,音楽表現のための正負負のフレームマスクを提案する。
我々は,同じ音楽からサンプリングした自己増強陽性/陰性の両方に対応するために,新しいコントラスト学習目標を考案した。
論文 参考訳(メタデータ) (2022-03-17T07:11:42Z) - 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) - Content-based Music Similarity with Triplet Networks [21.220806977978853]
本稿では,コンテンツに基づく音楽の類似性に基づいた3重項ニューラルネットワークによる楽曲の埋め込みの実現可能性について検討する。
我々のネットワークは、同じアーティストの2曲が別のアーティストの3曲よりも互いに近くに埋め込まれるように、三重奏曲を用いて訓練されている。
論文 参考訳(メタデータ) (2020-08-11T18:10:02Z) - Music Gesture for Visual Sound Separation [121.36275456396075]
ミュージック・ジェスチャ(Music Gesture)は、音楽演奏時の演奏者の身体と指の動きを明示的にモデル化するキーポイントに基づく構造化表現である。
まず、コンテキスト対応グラフネットワークを用いて、視覚的コンテキストと身体力学を統合し、その後、身体の動きと対応する音声信号とを関連付けるために、音声-視覚融合モデルを適用する。
論文 参考訳(メタデータ) (2020-04-20T17:53:46Z)
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。