論文の概要: Modeling Activity-Driven Music Listening with PACE

• arxiv url: http://arxiv.org/abs/2405.01417v1
• Date: Thu, 02 May 2024 16:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 01:28:28.383666
• Title: Modeling Activity-Driven Music Listening with PACE
• Title（参考訳）: PACEを用いた活動駆動型音楽聴取のモデル化
• Authors: Lilian Marey, Bruno Sguerra, Manuel Moussallam,
• Abstract要約: PACE(Pattern-based user Consumption Embedding)は,周期的な聴取行動を活用するユーザ埋め込みを構築するためのフレームワークである。 この枠組みを長期のユーザ履歴に適用することにより,音楽を聴きながら行う活動の予測タスクを通じて埋め込みを評価する。
• 参考スコア（独自算出の注目度）: 2.241215446326728
• License:
• Abstract: While the topic of listening context is widely studied in the literature of music recommender systems, the integration of regular user behavior is often omitted. In this paper, we propose PACE (PAttern-based user Consumption Embedding), a framework for building user embeddings that takes advantage of periodic listening behaviors. PACE leverages users' multichannel time-series consumption patterns to build understandable user vectors. We believe the embeddings learned with PACE unveil much about the repetitive nature of user listening dynamics. By applying this framework on long-term user histories, we evaluate the embeddings through a predictive task of activities performed while listening to music. The validation task's interest is two-fold, while it shows the relevance of our approach, it also offers an insightful way of understanding users' musical consumption habits.
• Abstract（参考訳）: 聴取コンテキストのトピックは音楽レコメンデーションシステムにおいて広く研究されているが、通常のユーザの行動の統合は省略されることが多い。 本稿では,周期的な聴取行動を利用するユーザ埋め込みを構築するためのフレームワークであるPACE(Pattern-based user Consumption Embedding)を提案する。 PACEは、ユーザのマルチチャネル時系列消費パターンを活用して、理解可能なユーザベクトルを構築する。 PACEで学んだ埋め込みは、ユーザリスニングの繰り返しの性質について、多くのことを明らかにしていると思います。 この枠組みを長期のユーザ履歴に適用することにより,音楽を聴きながら行う活動の予測タスクを通じて埋め込みを評価する。 検証作業の関心は2倍であり,我々のアプローチの妥当性を示す一方で,ユーザの音楽消費習慣を理解するための洞察に富んだ方法も提供する。

関連論文リスト

• Towards Leveraging Contrastively Pretrained Neural Audio Embeddings for Recommender Tasks [18.95453617434051]
  音楽レコメンデータシステムは、しばしばネットワークベースのモデルを使用して、楽曲、アーティスト、ユーザー間の関係をキャプチャする。 新しい音楽作品やアーティストは、初期情報が不十分なため、コールドスタートの問題に直面することが多い。 これを解決するために、音楽から直接コンテンツベースの情報を抽出し、協調フィルタリングに基づく手法を強化する。
  論文  参考訳（メタデータ） (2024-09-13T17:53:06Z)
• 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)
• USE: Dynamic User Modeling with Stateful Sequence Models [26.74966828348815]
  User Stateful Embedding (USE)は、徹底的な再処理を必要とせずに、ユーザ埋め込みを生成する。 我々は,次世代の予測の限界を超越するために,将来のW行動予測という新たな訓練目標を導入する。 静的(固定されたユーザ行動シーケンス)および動的(定期的に更新されたユーザ行動シーケンス)設定の両方で、Snapchatユーザーの行動ログを使用して、8つの下流タスクで実験を行う。
  論文  参考訳（メタデータ） (2024-03-20T07:05:19Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Exploiting Device and Audio Data to Tag Music with User-Aware Listening Contexts [8.224040855079176]
  本研究では,ユーザを意識した楽曲自動タグを有効活用することにより,ユーザの状況に応じたプレイリストを一定時間で生成できるシステムを提案する。 実験により、このようなコンテキスト対応のパーソナライズされた楽曲検索システムは実現可能であるが、新規ユーザの場合は性能が低下することが示された。
  論文  参考訳（メタデータ） (2022-11-14T10:08:12Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• 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)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。