論文の概要: Modeling Musical Genre Trajectories through Pathlet Learning

• arxiv url: http://arxiv.org/abs/2505.03480v1
• Date: Tue, 06 May 2025 12:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.368836
• Title: Modeling Musical Genre Trajectories through Pathlet Learning
• Title（参考訳）: パスレット学習による音楽性軌道のモデル化
• Authors: Lilian Marey, Charlotte Laclau, Bruno Sguerra, Tiphaine Viard, Manuel Moussallam,
• Abstract要約: 本稿では,辞書学習のパラダイムを用いて,さまざまなジャンルのユーザトラジェクトリをモデル化する。 我々は、パスレットと呼ばれるジャンルトラジェクトリにおける繰り返しパターンをキャプチャする新しいフレームワークを定義する。 その結果,パスレット学習は質的かつ定量的に分析可能な関連する聴取パターンを明らかにした。
• 参考スコア（独自算出の注目度）: 3.6133082266958616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing availability of user data on music streaming platforms opens up new possibilities for analyzing music consumption. However, understanding the evolution of user preferences remains a complex challenge, particularly as their musical tastes change over time. This paper uses the dictionary learning paradigm to model user trajectories across different musical genres. We define a new framework that captures recurring patterns in genre trajectories, called pathlets, enabling the creation of comprehensible trajectory embeddings. We show that pathlet learning reveals relevant listening patterns that can be analyzed both qualitatively and quantitatively. This work improves our understanding of users' interactions with music and opens up avenues of research into user behavior and fostering diversity in recommender systems. A dataset of 2000 user histories tagged by genre over 17 months, supplied by Deezer (a leading music streaming company), is also released with the code.
• Abstract（参考訳）: 音楽ストリーミングプラットフォーム上でのユーザデータの可用性の向上は、音楽消費を分析する新たな可能性を開く。 しかしながら、ユーザの好みの進化を理解することは、特に音楽的な好みが時間とともに変化するため、複雑な課題である。 本稿では,辞書学習のパラダイムを用いて,さまざまなジャンルのユーザトラジェクトリをモデル化する。 我々は、パスレットと呼ばれるジャンルトラジェクトリにおける繰り返しパターンをキャプチャする新しいフレームワークを定義し、理解可能なトラジェクトリ埋め込みの作成を可能にする。 パスレット学習は,質的,定量的に分析可能な関連する聴取パターンを明らかにする。 本研究は, ユーザの音楽に対する理解を深め, ユーザの行動研究の道を開き, 推薦システムにおける多様性を育成する。 音楽ストリーミングの大手であるDeezerが提供した、ジャンル別にタグ付けされた2000のユーザー履歴のデータセットも、コードとともにリリースされた。

関連論文リスト

• Familiarizing with Music: Discovery Patterns for Different Music Discovery Needs [9.363492538580681]
  我々は,大手音楽ストリーミングプラットフォームであるDeezerの利用者が回答した調査データと,ストリーミングデータとを組み合わせて分析した。 まず,不慣れな音楽に強い関心を抱くユーザーが,より多様な音楽に耳を傾けるかどうかを問う。 次に、不慣れな音楽を探究する際、ユーザーがどの曲を聴くかを調査し、人気度とジャンルの代表性の明確なパターンを特定する。
  論文  参考訳（メタデータ） (2025-05-06T14:26:00Z)
• Deconstructing Jazz Piano Style Using Machine Learning [0.9933900714070033]
  我々は、豊かな理論と数学的分析の伝統の恩恵を受ける音楽スタイルに焦点を当てている。 84時間のデータセットから20人の象徴的なジャズミュージシャンを識別するために、教師付き学習モデルを訓練する。 私たちのモデルには、4つの音楽領域(メロディ、ハーモニー、リズム、ダイナミクス)を別々に分析できる新しいマルチインプットアーキテクチャが含まれています。
  論文  参考訳（メタデータ） (2025-04-07T12:37:39Z)
• 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)
• Towards Explainable and Interpretable Musical Difficulty Estimation: A Parameter-efficient Approach [49.2787113554916]
  音楽コレクションの整理には曲の難易度を推定することが重要である。 シンボリックな音楽表現の難易度推定には説明可能な記述子を用いる。 ピアノレパートリーで評価したアプローチは,平均2乗誤差(MSE)が1.7。
  論文  参考訳（メタデータ） (2024-08-01T11:23:42Z)
• Music Era Recognition Using Supervised Contrastive Learning and Artist Information [11.126020721501956]
  音楽時代情報は、プレイリストの生成とレコメンデーションにとって重要な機能である。 音声から年齢を予測するために,音声に基づくモデルを開発した。 アーティスト情報が入手可能な場合には,マルチモーダル入力を受信するための音声モデルを拡張し,マルチモーダルコントラスト学習(MMC)と呼ばれるフレームワークを開発し,トレーニングを強化する。
  論文  参考訳（メタデータ） (2024-07-07T13:43:55Z)
• MuPT: A Generative Symbolic Music Pretrained Transformer [56.09299510129221]
  音楽の事前学習におけるLarge Language Models (LLM) の適用について検討する。 生成過程の異なるトラックからの不整合対策に関連する課題に対処するために,SMT-ABC Notation(Synchronized Multi-Track ABC Notation)を提案する。 私たちのコントリビューションには、最大8192個のトークンを処理可能な一連のモデルが含まれており、トレーニングセットの象徴的な音楽データの90%をカバーしています。
  論文  参考訳（メタデータ） (2024-04-09T15:35:52Z)
• 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)
• Music Genre Classification with ResNet and Bi-GRU Using Visual Spectrograms [4.354842354272412]
  手動のジャンル分類の限界は、より高度なシステムの必要性を強調している。 従来の機械学習技術はジャンル分類の可能性を示してきたが、音楽データの完全な複雑さを捉えられなかった。 本研究では,視覚スペクトログラムを入力として用いる新しいアプローチを提案し,Residual Neural Network(ResNet)とGated Recurrent Unit(GRU)の強みを組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-20T11:10:06Z)
• Personalized Popular Music Generation Using Imitation and Structure [1.971709238332434]
  そこで本研究では,特定の例のシード曲から構造,メロディ,和音,バススタイルを捉え,模倣できる統計的機械学習モデルを提案する。 10曲のポップソングによる評価は,我々の新しい表現と手法が高品質なスタイリスティック音楽を作り出すことができることを示している。
  論文  参考訳（メタデータ） (2021-05-10T23:43:00Z)

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。