論文の概要: Leveraging Artist Catalogs for Cold-Start Music Recommendation

• arxiv url: http://arxiv.org/abs/2604.07090v1
• Date: Wed, 08 Apr 2026 13:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.560747
• Title: Leveraging Artist Catalogs for Cold-Start Music Recommendation
• Title（参考訳）: コールドスタート音楽レコメンデーションのためのアーティストカタログの活用
• Authors: Yan-Martin Tamm, Gregor Meehan, Vojtěch Nekl, Vojtěch Vančura, Rodrigo Alves, Johan Pauwels, Anna Aljanaki,
• Abstract要約: アーティスト認識手法は,コンテンツのみのベースラインに比べて2倍以上のリコールとNDCGが可能であることを示す。 本稿では,アーティストの既存のカタログに参画することで,新しいトラックに対するCF埋め込みを生成するアテンションベースのアーキテクチャであるACARecを提案する。
• 参考スコア（独自算出の注目度）: 11.924120576653147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The item cold-start problem poses a fundamental challenge for music recommendation: newly added tracks lack the interaction history that collaborative filtering (CF) requires. Existing approaches often address this problem by learning mappings from content features such as audio, text, and metadata to the CF latent space. However, previous works either omit artist information or treat it as just another input modality, missing the fundamental hierarchy of artists and items. Since most new tracks come from artists with previous history available, we frame cold-start track recommendation as 'semi-cold' by leveraging the rich collaborative signal that exists at the artist level. We show that artist-aware methods can more than double Recall and NDCG compared to content-only baselines, and propose ACARec, an attention-based architecture that generates CF embeddings for new tracks by attending over the artist's existing catalog. We show that our approach has notable advantages in predicting user preferences for new tracks, especially for new artist discovery and more accurate estimation of cold item popularity.
• Abstract（参考訳）: 新たに追加されたトラックは、コラボレーティブ・フィルタリング(CF)が必要とするインタラクション履歴を欠いている。 既存のアプローチでは、オーディオ、テキスト、メタデータなどのコンテンツ機能からCFラテント空間へのマッピングを学ぶことで、この問題に対処することが多い。 しかし、以前の作品では、アーティストの情報を省略するか、単に入力モダリティとして扱い、アーティストやアイテムの基本的階層が欠落していた。 ほとんどの新曲は、過去の歴史を持つアーティストから来ているため、アーティストレベルで存在するリッチなコラボレーション信号を活用することで、コールドスタートトラックレコメンデーションを「セミコールド」と表現している。 本稿では,アーティストを意識した手法が,コンテンツのみのベースラインに比べて2倍以上のリコールとNDCGを実現することを示し,既存のカタログに参画することで,新たなトラックに対するCF埋め込みを生成するアテンションベースアーキテクチャであるACARecを提案する。 提案手法は,新曲のユーザの好みを予測する上で,特に新曲の発見や,コールドアイテムの人気を正確に評価する上で,顕著な利点があることが示唆された。

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)
• 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)
• LARP: Language Audio Relational Pre-training for Cold-Start Playlist Continuation [49.89372182441713]
  マルチモーダルコールドスタートプレイリスト継続モデルであるLARPを導入する。 我々のフレームワークはタスク固有の抽象化の段階を増大させており、イントラトラック(音声)コントラスト損失、トラックトラックコントラスト損失、トラックプレイリストコントラスト損失である。
  論文  参考訳（メタデータ） (2024-06-20T14:02:15Z)
• 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)
• GATSY: Graph Attention Network for Music Artist Similarity [4.84315398254578]
  GATSYは、グラフアテンションネットワーク上に構築され、アーティストのクラスタ化された埋め込みによって駆動される新しいレコメンデーションシステムである。 本稿では,グラフアテンションネットワーク上に構築された新たなレコメンデーションシステムGATSYを紹介する。
  論文  参考訳（メタデータ） (2023-11-01T16:36:19Z)
• 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)
• 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)
• Cold Start Similar Artists Ranking with Gravity-Inspired Graph Autoencoders [18.395568778680207]
  我々は、有向グラフと属性グラフのリンク予測タスクとして、コールドスタート類似アーティストランキング問題をモデル化する。 次に、グラフオートエンコーダアーキテクチャを利用して、このグラフからノード埋め込み表現を学習し、新しいアーティストの最もよく似た隣人を自動的にランク付けする。 実世界のコールドスタートに似たアーティストが、グローバル音楽ストリーミングサービスのランキング問題に対処することで、我々のフレームワークの柔軟性と効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-08-02T17:19:47Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Artist-driven layering and user's behaviour impact on recommendations in a playlist continuation scenario [5.726366023100079]
  ACM RecSys Challenge 2018では、チームCreamy Firefliesとして使用したアプローチの概要を紹介します。 Spotifyが主催するこのコンペティションは、プレイリスト継続の問題に焦点を当てている。 私たちのチームは、コンテンツベースとコラボレーティブの両方でよく知られたモデルに基づいたソリューションを提案しています。
  論文  参考訳（メタデータ） (2020-10-13T08:47:08Z)

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。