[論文レビュー] Content-driven Music Recommendation: Evolution, State of the Art, and Challenges

Yashar Deldjoo, Markus Schedl+1 more|arXiv (Cornell University)|Jul 25, 2021

Music and Audio Processing被引用数 10

ひとこと要約

本調査では、音声特徴、埋め込みメタデータ、エキスパート生成コンテンツ、ユーザ生成コンテンツ、および誘導的コンテンツの5層構造を持つ「オニオンモデル」を提唱し、コンテンツ駆動型音楽推薦（CDMR）システムを体系的に分類する。このフレームワークを通じて55件の研究を分析し、多様性、説明可能性、文脈認識、順序推薦、スケーラビリティ、コールドスタートの6つの核心的課題を特定。また、誘導的コンテンツ、認知モデリング、公平性、対話型システム分野における未解決の大きな課題を浮き彫りにした。

ABSTRACT

The music domain is among the most important ones for adopting recommender systems technology. In contrast to most other recommendation domains, which predominantly rely on collaborative filtering (CF) techniques, music recommenders have traditionally embraced content-based (CB) approaches. In the past years, music recommendation models that leverage collaborative and content data -- which we refer to as content-driven models -- have been replacing pure CF or CB models. In this survey, we review 55 articles on content-driven music recommendation. Based on a thorough literature analysis, we first propose an onion model comprising five layers, each of which corresponds to a category of music content we identified: signal, embedded metadata, expert-generated content, user-generated content, and derivative content. We provide a detailed characterization of each category along several dimensions. Second, we identify six overarching challenges, according to which we organize our main discussion: increasing recommendation diversity and novelty, providing transparency and explanations, accomplishing context-awareness, recommending sequences of music, improving scalability and efficiency, and alleviating cold start. Each article addresses one or more of these challenges is categorized according to the content layers of our onion model, the article's goal(s), and main methodological choices. Furthermore, articles are discussed in temporal order to shed light on the evolution of content-driven music recommendation strategies. Finally, we provide our personal selection of the persisting grand challenges which are still waiting to be solved in future research endeavors.

研究の動機と目的

• コンテンツ駆動型音楽推薦（CDMR）研究の体系的分類の必要性を満たすため。
• 協調フィルタリングとコンテンツベース信号を統合することで、CDMRモデルの進化を特定・分析するため。
• 多様性、説明可能性、文脈認識、順序推薦、スケーラビリティ、コールドスタートといった、未解決の課題を強調するため。
• 複数の抽象レベルにおける音楽コンテンツタイプを統合的に整理するための統一フレームワーク（オニオンモデル）を提言するため。
• CDMRにおける持続的で大きな課題（誘導的コンテンツ、認知モデリング、公平性、対話型システム）を特定・議論するため。

提案手法

• 音声特徴（信号）、埋め込みメタデータ（例：ISWC、ISRC）、エキスパート生成コンテンツ（例：ジャンル、ムード）、ユーザ生成コンテンツ（例：タグ、プレイリスト）、誘導的コンテンツ（例：リミックス、カバー）の5層構造を持つオニオンモデルを提唱。
• オニオンモデルの視点から55件の最新のCDMR論文を分析し、各論文をコンテンツ層、研究目的、手法的アプローチごとに分類。
• 多様性と新規性、透明性／説明可能性、文脈認識、順序推薦、スケーラビリティ／効率性、コールドスタートの6つの包括的課題に沿って文献を整理。
• CDMR研究における時間的トレンドをレビューし、モデル設計およびコンテンツ統合戦略の進化を追跡。
• 純粋な協調フィルタリングから、深層学習、グラフニューラルネットワーク、マルチモーダル表現を活用するハイブリッドモデルへの方法論的シフトを同定。
• 心理学および社会学の知見を統合し、将来的な研究における人間の意思決定プロセスとCDMRにおける公平性の理解を支援する。

実験結果

リサーチクエスチョン

• RQ1 複数の抽象レベルにわたり、音楽コンテンツを体系的に分類する方法は何か？ これによりコンテンツ駆動型推薦がどのように支援されるか？
• RQ2 過去10年間におけるコンテンツ駆動型音楽推薦における主な方法論的トレンドとシフトは何か？
• RQ3 音声特徴、ユーザータグ、誘導的コンテンツなどの異なる種類の音楽コンテンツは、多様性、説明可能性、コールドスタートといった核心的課題の解決にどのように寄与するか？
• RQ4 コンテンツ駆動型音楽推薦分野における最も深刻な未解決の大規模課題は何か？ そしてそれらはどのように解決できるか？
• RQ5 人間の意思決定プロセスに関する認知的・心理的モデルは、どのように音楽推薦システムに統合できるか？

主な発見

• オニオンモデルは、それぞれが独自の特徴と利点を持つ5つの明確な層に音楽コンテンツを体系的に整理できることを示した。
• コンテンツ駆動型モデルは、純粋な協調フィルタリングやコンテンツベース手法に取って代わられ、ハイブリッドモデルが現在の最先端を占めている。
• リミックス、カバー、パロディなどの誘導的コンテンツは、MRS研究において依然としてほとんど未開拓であり、大きな未解決課題である。
• コンテンツ、インタラクション、ユーザの認識を含む、複数の側面を考慮した多様性と新規性のメトリクスの必要性が顕在化した。
• 音楽推薦における公平性は依然として深刻な未解決課題であり、特にアーティストやユーザの性別などの保護属性に関連して顕著である。
• 対話型音楽推薦システム（CMRS）は、自然言語とマルチモーダルインタラクションを統合する観点から、有望ではあるが未だ十分に検討されていない分野である。