[論文レビュー] The Importance of Song Context and Song Order in Automated Music Playlist Generation

Andreu Vall, Massimo Quadrana+2 more|arXiv (Cornell University)|Jul 12, 2018

Music and Audio Processing参考文献 10被引用数 4

ひとこと要約

本稿では、3つのモデル（人気ベース、協調フィルタリング、RNN）を用いて、2つの手作業でカスタムされたプレイリストデータセットにおいて、自動音楽プレイリスト生成における楽曲の文脈と順序の影響を調査する。結果として、楽曲の文脈が推薦品質を顕著に向上させることが示されたが、人気度バイアスがこの効果を隠してしまう可能性がある。一方、楽曲の順序は文脈を超えて予測を著しく向上させないことが判明した。

ABSTRACT

The automated generation of music playlists can be naturally regarded as a sequential task, where a recommender system suggests a stream of songs that constitute a listening session. In order to predict the next song in a playlist, some of the playlist models proposed so far consider the current and previous songs in the playlist (i.e., the song context) and possibly the order of the songs in the playlist. We investigate the impact of the song context and the song order on next-song recommendations by conducting dedicated off-line experiments on two datasets of hand-curated music playlists. Firstly, we compare three playlist models, each able to consider a different song context length: a popularity-based model, a song-based Collaborative Filtering (CF) model and a Recurrent-Neural-Network-based model (RNN). We also consider a model that predicts next songs at random as a reference. Secondly, we challenge the RNN model (the only model from the first experiment able to consider the song order) by manipulating the order of songs within playlists. Our results indicate that the song context has a positive impact on the quality of next-song recommendations, even though this effect can be masked by the bias towards very popular songs. Furthermore, in our experiments the song order does not appear as a crucial variable to predict better next-song recommendations.

研究の動機と目的

• 自動プレイリスト生成における次曲推薦品質に、楽曲の文脈がどのように影響するかを評価すること。
• 文脈のみのアプローチと比較して、楽曲の順序をモデル化することで推薦性能が向上するかどうかを評価すること。
• 人気度バイアスがプレイリスト推薦タスクにおけるモデル性能に及ぼす影響の程度を調査すること。
• 人気ベース、協調フィルタリング、RNNの異なるモデリングアプローチの有効性を、カスタムプレイリストデータに対して比較すること。
• プレイリスト内の楽曲順序を変更することでRNNモデルの頑健性をテストし、その影響を分離すること。

提案手法

• 人気ベース、楽曲ベースの協調フィルタリング（CF）、および再帰的ニューラルネットワーク（RNN）モデルの3つのモデルを評価した。
• オフライン実験を実施するために、手作業でカスタムされた音楽プレイリスト2つのデータセットを用いた。
• RNNモデルを、プレイリスト内の楽曲の順序を考慮することで、順序依存性を捉えるように訓練した。
• プレイリスト内の楽曲順序をシャッフルすることで、順序の影響を分離するためのアブレーションスタディを実施した。
• 標準的な評価指標（例：正確率、再現率）を用いて、異なる文脈長におけるモデル性能を比較した。
• ランダムな次曲予測をベースラインとして扱い、偶然の水準を超える改善を測定した。

実験結果

リサーチクエスチョン

• RQ1 楽曲の文脈長を延ばすことで、次曲推薦の品質はどのように変化するか？
• RQ2 文脈のみのモデルと比較して、楽曲の順序をモデル化することで、どの程度推薦性能が向上するか？
• RQ3 人気度バイアスは、プレイリスト推薦モデルの性能にどのように影響するか？
• RQ4 RNNベースのモデルは、カスタムプレイリストにおいて楽曲の順序を有効に活用して推薦を改善できるか？
• RQ5 たとえばランダムなシャッフルのような、楽曲順序の摂動に対してRNNモデルはどの程度頑健か？

主な発見

• 楽曲の文脈が推薦品質を顕著に向上させ、全モデルにおいて文脈長が長くなるほど性能が向上した。
• 人気ベースのモデルは、文脈に配慮したモデルと比較して著しく性能が低く、人気度のみでは高品質な推薦が不十分であることが示唆された。
• RNNモデルは、人気ベースおよび協調フィルタリングモデルを上回り、順序モデリングの価値を示した。
• RNNが順序をモデル化できるにもかかわらず、楽曲順序をシャッフルすることで予測品質にほとんど影響がなく、この設定では順序が重要な要因ではないことが示唆された。
• 人気度バイアスが、文脈の良い効果を隠してしまうことがあり、特に順序依存性を明示的に考慮しないモデルにおいて顕著だった。
• 順序の操作による改善が見られないことから、RNNが学習する順序パターンは、厳密な順序よりもコンテンツや文脈に強く依存している可能性があることが示唆された。