[論文レビュー] Local Music Event Recommendation with Long Tail Artists

Douglas Turnbull, Luke Waldner|arXiv (Cornell University)|Sep 7, 2018

Music and Audio Processing参考文献 15被引用数 3

ひとこと要約

本稿では、アーティストおよびタグの類似性をモデル化するために局所的音楽イベント推薦システムを提案し、潜在的意味解析（LSA）を用いる。これにより、長尾で低フォロワーシーンのローカルアーティストに対しても効果的な推薦が可能になる。本稿では、音楽イベントグラフを導入し、わずかなデジタルフォローアップデータでも正確な推薦が可能であることを示している。専門家ユーザーを対象とした評価では、初期／後期ファージョン戦略を用いてAUCスコアが最大0.79に達した。

ABSTRACT

In this paper, we explore the task of local music event recommendation. Many local artists tend to be obscure long-tail artists with a small digital footprint. That is, it can be hard to find social tag and artist similarity information for many of the artists who are playing shows in the local music community. To address this problem, we explore using Latent Semantic Analysis (LSA) to embed artists and tags into a latent feature space and examine how well artists with small digital footprints are represented in this space. We find that only a relatively small digital footprint is needed to effectively model artist similarity. We also introduce the concept of a Music Event Graph as a data structure that makes it easy and efficient to recommend events based on user-selected genre tags and popular artists. Finally, we conduct a small user study to explore the feasibility of our proposed system for event recommendation.

研究の動機と目的

• デジタルフォローアップが限られた、目立たない長尾のローカルアーティストを特徴とするローカル音楽イベントの推薦という課題に対処すること。
• コンテンツベースのタグと共同フィルタリングをアーティスト類似性を通じて統合する、スケーラブルなハイブリッド推薦システムの開発。
• 人気アーティストに偏った推薦を低減し、人気アーティストと目立たないローカルアーティストが公平に可視化されるようにすること。
• ローカル音楽専門家を対象としたユーザースタディを通じて、システムの実現可能性を評価し、AUC指標を用いて性能を測定すること。
• 従来のコンテンツベース手法が失敗するような、スパースで現実世界の音楽イベントデータに対して、潜在的意味解析の有効性を検討すること。

提案手法

• 効率的な検索を可能にするために、ジャンルタグ、人気アーティスト、イベントアーティスト、イベントを結びつける4部グラフ（4-partite）音楽イベントグラフを構築する。
• アーティストおよびタグデータを共通の低次元の潜在的特徴空間に埋め込むために、潜在的意味解析（LSA）を適用する。
• イベントリストにおけるアーティストとタグの共起行列から、特徴量を削減した特異値分解（truncated SVD）を用いてLSA埋め込みを計算する。
• 初期ファージョンおよび後期ファージョン戦略を実装する：ユーザーの好みベクトルを平均化、クラスタリング、または入れ替え（interleaving）して、パーソナライズされたイベントアーティスト順位を生成する。
• ユーザーの好みに対してk-meansクラスタリングを適用し、クラスタ数kを好みの数の自然対数の丸め値に設定する。
• コサイン類似度スコア、または複数のユーザー好み信号を統合するための平均／入れ替え順位ファージョンを用いて、イベントアーティストを順位付けする。

実験結果

リサーチクエスチョン

• RQ1 アーティストのデジタルフォローアップが極めて少ない状況下でも、LSAがアーティスト類似性およびタグ関係を効果的にモデル化できるか？
• RQ2 ジャンルタグに依存する場合とアーティスト好みに依存する場合とで、推薦システムの性能にどのような差が生じるか？
• RQ3 本システムは、長尾のアーティストの可視性を確保するために、どれほど人気バイアスを低減できるか？
• RQ4 初期ファージョン対後期ファージョン、平均対入れ替えといった異なるファージョン戦略が、ローカル音楽イベント発見における推薦精度にどのように影響を与えるか？
• RQ5 ローカル音楽専門家によるユーザースタディは、ローカルイベント推薦システムの評価に信頼できる基準（ground truth）を提供できるか？

主な発見

• 『none / avg. cosine』ファージョン戦略を用い、アーティスト好みのみで推奨した場合、AUCは0.79（±0.09）に達し、高い推薦精度を示した。
• ジャンル好みのみの場合はAUCが0.69（±0.16）にとどまり、タグベースの推薦はアーティストベースのものより精度が低いが、依然として意味のある結果を示した。
• アーティストとジャンルの両方の好みを組み合わせた場合、最良のアプローチ（『none / avg. cosine』）ではAUCが0.74（±0.12）に達し、ハイブリッド信号の価値を示した。
• 『cluster / interleave』戦略では、両方の好みを組み合わせた場合にAUCが0.75（±0.09）を達成し、ユーザー好みのクラスタリングが高精度を維持できることを示した。
• 月1回程度の参加者では、有意に低い性能（AUC 0.61 ± 0.15）を示し、ローカル音楽シーンに慣れ親しんでいるユーザーの経験が、信頼できる評価に不可欠であることが示された。
• 人気度ベースのベースラインではAUCが0.53にとどまり、本稿で提案するシステムが単純な人気順ランキングを著しく上回ることを確認した。