論文の概要: Revisiting Content-Based Music Recommendation: Efficient Feature Aggregation from Large-Scale Music Models

• arxiv url: http://arxiv.org/abs/2604.20847v1
• Date: Tue, 10 Feb 2026 15:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.10178
• Title: Revisiting Content-Based Music Recommendation: Efficient Feature Aggregation from Large-Scale Music Models
• Title（参考訳）: コンテンツに基づく音楽レコメンデーションの再考:大規模音楽モデルからの効率的な特徴集約
• Authors: Yizhi Zhou, Jia-Qi Yang, De-Chuan Zhan, Da-Wei Zhou,
• Abstract要約: Music Recommendation Systems (MRS)は、現代のストリーミングプラットフォームの基盤である。 我々は,音楽レコメンデーションにおけるマルチモーダル情報の役割を強調するために,総合的なデータセットとベンチマークフレームワークであるTASTEを提案する。 近年の大規模自己監督型音楽エンコーダの活用により,レコメンデーションタスク間で抽出された音声表現の意義を実証する。
• 参考スコア（独自算出の注目度）: 54.4270504928356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Music Recommendation Systems (MRSs) are a cornerstone of modern streaming platforms. Existing recommendation models, spanning both recall and ranking stages, predominantly rely on collaborative filtering, which fails to exploit the intrinsic characteristics of audio and consequently leads to suboptimal performance, particularly in cold-start scenarios. However, existing music recommendation datasets often lack rich multimodal information, such as raw audio signals and descriptive textual metadata. Moreover, current recommender system evaluation frameworks remain inadequate, as they neither fully leverage multimodal information nor support a diverse range of algorithms, especially multimodal methods. To address these limitations, we propose TASTE, a comprehensive dataset and benchmarking framework designed to highlight the role of multimodal information in music recommendation. Our dataset integrates both audio and textual modalities. By leveraging recent large-scale self-supervised music encoders, we demonstrate the substantial value of the extracted audio representations across recommendation tasks, including candidate recall and CTR. In addition, we introduce the \textbf{MuQ-token} method, which enables more efficient integration of multi-layer audio features. This method consistently outperforms other feature integration techniques across various settings. Overall, our results not only validate the effectiveness of content-driven approaches but also provide a highly effective and reusable multimodal foundation for future research. Code is available at https://github.com/zreach/TASTE
• Abstract（参考訳）: Music Recommendation Systems (MRS)は、現代のストリーミングプラットフォームの基盤である。 既存のレコメンデーションモデルは、リコール段階とランキング段階の両方にまたがっており、主に協調フィルタリングに依存しており、これはオーディオの本質的な特性を活用できず、結果として、特にコールドスタートシナリオにおいて、最適以下のパフォーマンスをもたらす。 しかし、既存の音楽レコメンデーションデータセットには、生の音声信号や記述的なテキストメタデータなど、豊富なマルチモーダル情報がないことが多い。 さらに、マルチモーダル情報を完全に活用したり、様々なアルゴリズム、特にマルチモーダルメソッドをサポートできないため、現在のレコメンデータシステム評価フレームワークは依然として不十分である。 これらの制約に対処するため,音楽レコメンデーションにおけるマルチモーダル情報の役割を強調するために,包括的なデータセットとベンチマークフレームワークであるTASTEを提案する。 我々のデータセットは音声とテキストの両モードを統合している。 近年の大規模自己監督型音楽エンコーダの活用により、候補リコールやCTRを含むレコメンデーションタスクにおいて、抽出された音声表現の実質的な価値を実証する。 さらに,マルチレイヤ音声機能のより効率的な統合を可能にする,‘textbf{MuQ-token} メソッドを導入する。 この方法は、様々な設定で他の機能統合技術よりも一貫して優れています。 全体として,本研究は,コンテンツ駆動型アプローチの有効性を検証するだけでなく,今後の研究に高効率で再利用可能なマルチモーダル基盤を提供する。 コードはhttps://github.com/zreach/TASTEで入手できる。

関連論文リスト

• Audio Does Matter: Importance-Aware Multi-Granularity Fusion for Video Moment Retrieval [58.640807985155554]
  Video Moment Retrieval (VMR)は、特定のクエリに関連する特定のモーメントを検索することを目的としている。 既存のVMRメソッドの多くは、補完的ではあるが重要なオーディオのモダリティを無視しながら、視覚的およびテキスト的モダリティにのみ焦点をあてている。 本稿では,VMRの音声ビジョンコンテキストを動的かつ選択的に集約する,新しいImportance-Aware Multi-Granularity fusion Model (IMG)を提案する。
  論文  参考訳（メタデータ） (2025-08-06T09:58:43Z)
• Learning Musical Representations for Music Performance Question Answering [10.912207282129753]
  マルチモーダル学習法は音楽演奏の基本的問題に対処できない。 私たちのメインのバックボーンは、音楽データのコンテキストにマルチモーダルインタラクションを組み込むように設計されています。 本実験は,音楽AVQAデータセットに対する最先端効果を示す。
  論文  参考訳（メタデータ） (2025-02-10T17:41:57Z)
• ATFLRec: A Multimodal Recommender System with Audio-Text Fusion and Low-Rank Adaptation via Instruction-Tuned Large Language Model [0.0]
  本研究では,大規模言語モデル(LLM)へのマルチモーダルデータテキストと音声の統合について検討する。 従来のテキストやオーディオレコメンデータは、コールドスタート問題のような制限に直面する。 Low-Rank Adaptation (LoRA)を導入し、性能を損なうことなく効率を向上させる。
  論文  参考訳（メタデータ） (2024-09-13T05:33:09Z)
• MMTrail: A Multimodal Trailer Video Dataset with Language and Music Descriptions [69.9122231800796]
  MMTrailは,2000万回以上のトレーラークリップと視覚的キャプションを組み込んだ大規模マルチモーダルビデオ言語データセットである。 本稿では,27.1k時間以上のトレーラービデオで様々なモダリティアノテーションを実現するシステムキャプションフレームワークを提案する。 我々のデータセットは、大きめのマルチモーダル言語モデルトレーニングのためのパスを舗装する可能性がある。
  論文  参考訳（メタデータ） (2024-07-30T16:43:24Z)
• 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)
• AudioFormer: Audio Transformer learns audio feature representations from discrete acoustic codes [6.375996974877916]
  離散音響符号の取得により音声特徴表現を学習するAudioFormerという手法を提案する。 以上の結果から,AudioFormerはモノモーダル音声分類モデルに比べて性能が大幅に向上したことが示された。
  論文  参考訳（メタデータ） (2023-08-14T15:47:25Z)

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。