論文の概要: Personalized Audiobook Recommendations at Spotify Through Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2403.05185v1
• Date: Fri, 8 Mar 2024 09:53:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 20:17:09.069800
• Title: Personalized Audiobook Recommendations at Spotify Through Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによるSpotifyのパーソナライズされたオーディオブックレコメンデーション
• Authors: Marco De Nadai, Francesco Fabbri, Paul Gigioli, Alice Wang, Ang Li, Fabrizio Silvestri, Laura Kim, Shawn Lin, Vladan Radosavljevic, Sandeep Ghael, David Nyhan, Hugues Bouchard, Mounia Lalmas-Roelleke, Andreas Damianou
• Abstract要約: Spotifyは最近、巨大なユーザーベースにオーディオブックを導入した。 この動きはパーソナライズされたレコメンデーションに重大な課題をもたらす。 異種グラフニューラルネットワーク(HGNN)と2Tモデルを組み合わせたスケーラブルなレコメンデーションシステムである2T-HGNNを提案する。
• 参考スコア（独自算出の注目度）: 11.051929104747316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the ever-evolving digital audio landscape, Spotify, well-known for its music and talk content, has recently introduced audiobooks to its vast user base. While promising, this move presents significant challenges for personalized recommendations. Unlike music and podcasts, audiobooks, initially available for a fee, cannot be easily skimmed before purchase, posing higher stakes for the relevance of recommendations. Furthermore, introducing a new content type into an existing platform confronts extreme data sparsity, as most users are unfamiliar with this new content type. Lastly, recommending content to millions of users requires the model to react fast and be scalable. To address these challenges, we leverage podcast and music user preferences and introduce 2T-HGNN, a scalable recommendation system comprising Heterogeneous Graph Neural Networks (HGNNs) and a Two Tower (2T) model. This novel approach uncovers nuanced item relationships while ensuring low latency and complexity. We decouple users from the HGNN graph and propose an innovative multi-link neighbor sampler. These choices, together with the 2T component, significantly reduce the complexity of the HGNN model. Empirical evaluations involving millions of users show significant improvement in the quality of personalized recommendations, resulting in a +46% increase in new audiobooks start rate and a +23% boost in streaming rates. Intriguingly, our model's impact extends beyond audiobooks, benefiting established products like podcasts.
• Abstract（参考訳）: 進化を続けるデジタルオーディオの世界の中で、音楽やトークのコンテンツで有名なspotifyは最近、膨大なユーザーベースにオーディオブックを導入した。 この動きは有望だが、パーソナライズドレコメンデーションには大きな課題がある。 音楽やポッドキャストとは異なり、オーディオブックは最初は有料で入手でき、購入前に簡単にスキミングすることはできず、レコメンデーションの妥当性を高く評価している。 さらに、既存のプラットフォームに新しいコンテンツタイプを導入すると、ほとんどのユーザーがこの新しいコンテンツタイプに慣れていないため、極端なデータスパーシティに直面する。 最後に、数百万のユーザにコンテンツを推奨するには、迅速に反応し、スケーラブルなモデルが必要です。 これらの課題に対処するために,ポッドキャストと音楽ユーザの好みを活用し,異種グラフニューラルネットワーク(HGNN)と2Tモデルを組み合わせたスケーラブルなレコメンデーションシステムである2T-HGNNを導入する。 この斬新なアプローチは、低レイテンシと複雑性を確保しながら、ニュアンスアイテムの関係を明らかにする。 我々は、ユーザをHGNNグラフから切り離し、革新的なマルチリンク隣りのサンプル手法を提案する。 これらの選択と2Tコンポーネントは、HGNNモデルの複雑さを著しく低減する。 数百万人のユーザによる経験的評価では、パーソナライズされたレコメンデーションの品質が大幅に向上し、新たなオーディオブックの開始レートが46%向上し、ストリーミングレートが23%向上した。 興味深いことに、私たちのモデルの影響はオーディオブックを超えて広がり、ポッドキャストのような確立された製品に利益をもたらします。

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)
• DFGNN: Dual-frequency Graph Neural Network for Sign-aware Feedback [51.72177873832969]
  本稿では,周波数フィルタの観点から正負のフィードバックをモデル化する新しいモデルを提案する。 実世界のデータセットについて広範な実験を行い、提案モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-24T07:07:41Z)
• 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)
• 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)
• Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation [74.81561396321712]
  セッションベースレコメンデーションのためのデュアルインテント拡張グラフニューラルネットワークを提案する。 我々は,注意機構と履歴データの分布からユーザ意図を学習する。 対応する項目のレコメンデーションスコアを含む新項目確率を出力することにより、より高いスコアを持つ新項目をユーザに推奨する。
  論文  参考訳（メタデータ） (2023-05-10T02:42:12Z)
• Episodes Discovery Recommendation with Multi-Source Augmentations [3.0054316799543837]
  古典的な2-Towerモデルを構築し、エピソード埋め込み学習を強化するために、MSACL(Multi-Source Augmentations)を導入する。 大規模オーディオストリーミングプラットフォームによるリアルタイムポッドキャストレコメンデーションデータセットの実験は,提案フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-01-04T18:10:26Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• PodSumm -- Podcast Audio Summarization [0.0]
  テキストドメインからのガイダンスを用いて,ポッドキャストの要約を自動的に作成する手法を提案する。 このタスクにはデータセットが不足しているため、内部データセットをキュレートし、データ拡張の効果的なスキームを見つけ、アノテータから要約を集めるためのプロトコルを設計する。 本手法は, ROUGE-F(1/2/L) スコア0.63/0.53/0.63をデータセット上で達成する。
  論文  参考訳（メタデータ） (2020-09-22T04:49:33Z)
• Recommending Podcasts for Cold-Start Users Based on Music Listening and Taste [5.429958676933934]
  ポッドキャスティングは急速に普及する新興メディアだと考えている。 音楽消費行動を用いて、Spotifyユーザーの好みを200万以上のポッドキャストで推定する2つの主要な手法について検討した。 その結果,オフラインおよびオンライン両方の実験において,最大50%の消費改善が見られた。
  論文  参考訳（メタデータ） (2020-07-27T02:55:23Z)

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。