論文の概要: From Classification to Recommendation: Empirical Analysis of Audio Embedding Models Application for Content-Based Music Recommendation
- arxiv url: http://arxiv.org/abs/2608.06928v2
- Date: Mon, 10 Aug 2026 05:16:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 13:55:18.801037
- Title: From Classification to Recommendation: Empirical Analysis of Audio Embedding Models Application for Content-Based Music Recommendation
- Title（参考訳）: 分類からレコメンデーションへ:コンテンツに基づく音楽レコメンデーションへのオーディオ埋め込みモデルの実証分析
- Abstract要約: 3種類の音楽レコメンデーションシステムで6種類の代表的なオーディオエンコーダを評価した。
対話型シーケンシャルトレーニングは,エンコーダの性能差を大幅に低減することがわかった。
また,セマンティックIDの容量増加は生成レコメンデーションシステムの改善には至らないことがわかった。
- 参考スコア（独自算出の注目度）: 21.60252248417606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pretrained audio representation models learned from large-scale corpora have achieved strong performance in audio classification and understanding. However, most existing models are optimized for objectives such as masked prediction, contrastive learning, or audio-text alignment, which do not necessarily produce representation spaces well-suited to recommender systems. Unlike classification, music recommender systems must capture item relationships shaped by subjective and behavior-dependent listener preferences. Although pretrained audio embeddings have been explored in conventional recommender systems, their effectiveness in the rapidly emerging paradigm of generative recommender systems remains underexplored. To address this gap, we systematically evaluate six representative audio encoders across three types of music recommender systems: content-based, sequential, and Semantic-ID-based generative recommender systems. We further investigate how residual-quantization design, including codebook width, quantization depth, and retained Semantic-ID prefixes, affects the preservation of recommendation-relevant information. Experiments on two music recommendation datasets show that audio-text-aligned and music-domain representations are generally more effective when pretrained embedding geometry is used directly, whereas interaction-based sequential training substantially reduces performance differences among encoders. We also find that increasing Semantic-ID capacity does not consistently improve generative recommender systems and may introduce substantial instability. These findings provide practical guidance for selecting audio encoders and designing audio-derived Semantic IDs for modern music recommender systems.
- Abstract（参考訳）: 大規模コーパスから学習した事前学習音声表現モデルは,音声分類と理解において高い性能を達成している。
しかし、既存のモデルの多くは、マスク付き予測、コントラスト学習、音声テキストアライメントなどの目的に最適化されており、必ずしもレコメンデータシステムに適した表現空間を生成できない。
分類とは異なり、音楽推薦システムは主観的および行動に依存したリスナーの好みによって形成されるアイテムの関係を捉えなければならない。
従来のレコメンデーションシステムでは事前学習によるオーディオ埋め込みが検討されてきたが, 急速に普及するジェネレーティブレコメンデーションシステムのパラダイムにおいて, その有効性は未解明のままである。
このギャップに対処するため、我々は、コンテンツベース、シーケンシャル、セマンティックIDベースの生成レコメンダシステムという3種類の音楽レコメンダシステムに対して、6つの代表的なオーディオエンコーダを体系的に評価した。
さらに,コードブック幅,量子化深度,セマンティックIDプレフィックスの保持といった残量化設計が,レコメンデーション関連情報の保存に与える影響について検討する。
2つの音楽レコメンデーションデータセットの実験では、事前学習した埋め込み幾何学を直接使用する場合、オーディオテキストアライメントと音楽ドメイン表現がより効果的であるのに対し、インタラクションベースのシーケンシャルトレーニングはエンコーダの性能差を著しく減少させる。
また,セマンティックIDの容量増加は生成レコメンデーションシステムの改善に至らず,かなりの不安定性をもたらす可能性があることも見いだした。
これらの知見は,現代音楽レコメンデータシステムにおいて,オーディオエンコーダの選択と音声由来のセマンティックIDの設計のための実用的なガイダンスを提供する。
関連論文リスト
- VA-Judger: Reward Modeling from Human Preference Feedback for Joint Video-Audio Generation [79.34043102155964]
共同ビデオオーディオ生成のためのチェーン・オブ・オムニ・リワードモデルであるVA-Judgerを提案する。
VA-Judgerは,ドメイン内評価とドメイン外評価の両方において,ヒトの嗜好を予測する上で,指標ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-08-19T06:53:14Z) - READ More than What You See: Reinforcement Learning for Accurate and Coherent Audio Description Generations [48.760748753984764]
トレーニングベースのAD生成のための最初の強化学習フレームワークであるREADを提案する。
READは、ADを参照マッチング、長さ、フォーマット報酬によるシーケンスレベルの最適化として定式化する。
以上の結果から,RLは精度とコヒーレントなAD生成のための有望なパラダイムとして注目されている。
論文 参考訳（メタデータ） (2026-06-22T02:05:38Z) - FIGMA: Towards FIne-Grained Music retrievAl [65.98380295254817]
自然言語記述による音楽の検索はCLAPのような対照的な音声テキストモデルで改善されているが、現在のシステムはいまだに大まかなセマンティッククエリに限られている。
この制限は、長いキャプションで訓練されているにもかかわらず、CLAPベースのモデルは、最初の数個のトークンのみを効果的に活用する。
本研究では,グローバルな音声テキストアライメントとフレームレベルのトークンアライメントを共同で最適化することで,この制限に対処するマルチビューコントラストアーキテクチャであるFIGMAを提案する。
論文 参考訳（メタデータ） (2026-06-04T18:05:39Z) - AudioMosaic: Contrastive Masked Audio Representation Learning [53.52371029884106]
一般的な音声理解のためのコントラスト学習型オーディオエンコーダであるtextbfAudioMosaic を紹介する。
AudioMosaicは、構造化された時間周波数マスキングをスペクトログラムパッチに適用することで、正のペアを構成する。
実験によると、AudioMosaicはいくつかの標準オーディオベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-14T00:56:51Z) - Adopting State-of-the-Art Pretrained Audio Representations for Music Recommender Systems [0.0]
音楽情報検索(MIR)研究コミュニティは、大量の音楽データに基づいて事前訓練された様々なモデルをリリースした。
Music FM, Music2Vec, MERT, EncodecMAE, Jukebox, MusiCNN, MULE, MuQ, MuQ-MuLanについて検討した。
事前学習した音声表現は、従来のMIRタスクと、熱い音楽と冷たい音楽のレコメンデーションの間に大きな性能差があることが判明した。
論文 参考訳（メタデータ） (2026-04-25T00:09:58Z) - Revisiting Content-Based Music Recommendation: Efficient Feature Aggregation from Large-Scale Music Models [54.4270504928356]
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。
論文 参考訳（メタデータ） (2026-02-10T15:24:41Z) - Representation-Regularized Convolutional Audio Transformer for Audio Understanding [53.092757178419355]
スクラッチからのブートストラップ表現は計算に高価で、しばしば収束するために広範囲のトレーニングを必要とします。
本稿では,これらの課題に対処するための統合フレームワークであるConvolutional Audio Transformer (CAT)を提案する。
論文 参考訳（メタデータ） (2026-01-29T12:16:19Z) - Bridging the Gap Between Semantic and User Preference Spaces for Multi-modal Music Representation Learning [10.558648773612191]
本稿では,意味的視点からユーザ視点への類似性を階層的にモデル化する新しい階層型2段階コントラスト学習法を提案する。
拡張性のあるオーディオエンコーダを考案し,テキストエンコーダとして事前学習されたBERTモデルを活用して,大規模コントラスト付き事前学習による音声テキストセマンティクスの学習を行う。
論文 参考訳（メタデータ） (2025-05-29T09:50:07Z) - Comparative Analysis of Pretrained Audio Representations in Music Recommender Systems [0.0]
音楽情報検索 (MIR) は大量の音楽データに基づいて事前訓練された様々なモデルを提案する。
転送学習は、下流タスクの幅広い範囲で事前訓練されたバックエンドモデルの実証された効果を示す。
Music Recommender Systemsは、事前訓練されたモデルよりも、従来のエンドツーエンドのニューラルネットワーク学習を好む傾向がある。
論文 参考訳（メタデータ） (2024-09-13T17:03:56Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z)
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。