[論文レビュー] Contextual Personalized Re-Ranking of Music Recommendations through Audio Features

Boning Gong, Mesut Kaya+1 more|arXiv (Cornell University)|Sep 6, 2020

Music and Audio Processing参考文献 29被引用数 5

ひとこと要約

本論文は、時間帯などの特定の文脈におけるユーザーの好みをモデル化するために音声特徴を用いる文脈的再ランク付けアルゴリズムを提案する。ユーザーごとのパーソナライズド音声特徴表現を活用することで、グローバルモデルおよびベースライン推薦よりも精度と平均平均精度（MAP）で優れた性能を示し、文脈に配慮したポストフィルタリングによって関連性が向上することを実証した。

ABSTRACT

Users are able to access millions of songs through music streaming services like Spotify, Pandora, and Deezer. Access to such large catalogs, created a need for relevant song recommendations. However, user preferences are highly subjective in nature and change according to context (e.g., music that is suitable in the morning is not as suitable in the evening). Moreover, the music one user may prefer in a given context may be different from what another user prefers in the same context (i.e., what is considered good morning music differs across users). Accurately representing these preferences is essential to creating accurate and effective song recommendations. User preferences for songs can be based on high level audio features, such as tempo and valence. In this paper, we therefore propose a contextual re-ranking algorithm, based on audio feature representations of user preferences in specific contextual conditions. We evaluate the performance of our re-ranking algorithm using the #NowPlaying-RS dataset, which exists of user listening events crawled from Twitter and is enriched with song audio features. We compare a global (context for all users) and personalized (context for each user) model based on these audio features. The global model creates an audio feature representation of each contextual condition based on the preferences of all users. Unlike the global model, the personalized model creates user-specific audio feature representations of contextual conditions, and is measured across 333 distinct users. We show that the personalized model outperforms the global model when evaluated using the precision and mean average precision metrics.

研究の動機と目的

• ストリーミングサービスにおける主観的で文脈依存的な音楽好みの課題に対処すること。
• 時間帯などの文脈的条件を再ランク付けプロセスに組み込むことで、推薦精度を向上させること。
• 文脈に配慮した再ランク付けにおいて、ユーザーの好みのパーソナライズド音声特徴表現がグローバル表現を上回るかどうかを検証すること。
• 既存の推薦システムのコアアーキテクチャを変更せずに、それを強化するポストフィルタリング手法を開発すること。
• 多様なユーザー行動において、音声特徴が文脈特有の音楽好みをどのようにモデル化できるかを評価すること。

提案手法

• 本手法は、既存の推薦リストに対してポストフィルタリングとして機能する文脈的再ランク付けフレームワークを採用する。
• 時間帯などの特定の文脈的条件におけるユーザーの好みを、音声特徴（例：テンポ、価値）を用いて表現する。
• 2つのモデルを実装する：文脈ごとに全ユーザーの好みを平均化するグローバルモデルと、個々のユーザーの好みを文脈ごとに捉えるパーソナライズドモデル。
• 再ランク付けは、各楽曲の音声特徴ベクトルとユーザーの文脈特有の好み表現との類似度を計算することで実施する。
• 類似度スコアを用いて楽曲を再ランク付けし、音声ベースの好みモデルの影響を制御するハイパーパrameter λ を使用する。
• 本手法は、Twitterベースの聴取イベントに音声特徴が付加された #NowPlaying-RS データセットを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 異なる文脈次元の文脈的条件は、音声特徴とどのように関連しているか？
• RQ2 RQ2: 異なる文脈的条件におけるユーザー好みの音声特徴表現に基づく再ランク付けは、音楽推薦精度にどのように影響するか？
• RQ3 RQ3: 同じ文脈的条件（例：時間帯）において、ユーザー好みのグローバル音声特徴表現とパーソナライズド表現の再ランク付け性能は、どのように比較されるか？

主な発見

• パーソナライズド再ランク付けモデルは、評価されたすべての推薦アルゴリズム（BPR、US-BPR、CAMF_IC）において、MAP@10指標でグローバルモデルを一貫して上回った。
• パーソナライズドモデルは、元の（文脈を考慮しない）順位付けよりも推薦精度を向上させたが、特にCAMF_ICアルゴリズムにおいて顕著であった。
• グローバルモデルはBPRおよびUS-BPRでは元の推薦より劣ったが、CAMF_ICではわずかに優れた結果を示し、ベースラインに文脈特有のバイアスが存在する可能性を示唆した。
• 逆方向の再ランク付け（提案手法とは逆の順序）は性能を著しく低下させ、再ランク付け戦略が有効であり、ランダムな順序付けによるものではないことを確認した。
• すべてのベースとなる推薦アルゴリズムにわたって最適な λ 値は存在しなかったため、実際の応用では、各推薦アルゴリズムごとに λ をチューニングする必要があることが示された。
• 結果から、音声特徴が文脈特有のユーザー好みをモデル化するのに有効であることが示され、本手法の核心的仮定が裏付けられた。