[논문 리뷰] Contextual Personalized Re-Ranking of Music Recommendations through Audio Features

Boning Gong, Mesut Kaya외 1명|arXiv (Cornell University)|2020. 09. 06.

Music and Audio Processing참고 문헌 29인용 수 5

한 줄 요약

이 논문은 음악 추천을 위한 맥락 기반 재순서 알고리즘을 제안하며, 시간대와 같은 특정 맥락에서 사용자 선호도를 음성 특징을 통해 모델링한다. 개인화된 음성 특징 표현을 사용자별로 적용함으로써, 전역 모델과 기준선 추천 방식보다 정밀도와 평균 평균 정확도에서 뛰어난 성능을 보이며, 맥락 인식 후행 필터링을 통해 관련성을 향상시킨다.

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.

연구 동기 및 목표

• 스트리밍 서비스에서 주관적이고 맥락에 의존하는 음악 선호도 문제를 해결하기 위해.
• 시간대와 같은 맥락 조건을 재순서 과정에 통합하여 추천 정확도를 향상시키기 위해.
• 맥락 기반 재순서에서 사용자 선호도의 개인화된 음성 특징 표현이 전역 표현보다 우수한가를 탐색하기 위해.
• 기존 추천 시스템의 핵심 아키텍처를 수정하지 않고도 기능을 향상시키는 후행 필터링 방법을 개발하기 위해.
• 다양한 사용자 행동에서 맥락 특화 음악 선호도를 모델링하는 데 음성 특징이 얼마나 효과적인지 평가하기 위해.

제안 방법

• 이 방법은 기존 추천 목록에 대해 후행 필터링 단계로 작동하는 맥락 기반 재순서 프레임워크를 사용한다.
• 시간대와 같은 특정 맥락 조건 내에서 사용자 선호도를 음성 특징(예: 템포, 밸런스)을 사용해 표현한다.
• 두 가지 모델을 구현한다: 맥락 별로 모든 사용자의 선호도를 평균화하는 전역 모델과, 맥락 별 개인 사용자 선호도를 포착하는 개인화 모델.
• 재순서는 각 곡의 음성 특징 벡터와 사용자 맥락 특화 선호도 표현 간의 유사도를 계산하여 수행된다.
• 유사도 점수는 곡을 재순서하는 데 사용되며, 음성 기반 선호도 모델의 영향력을 조절하는 하이퍼파rameter λ가 존재한다.
• 이 접근법은 #NowPlaying-RS 데이터셋을 사용해 평가되었으며, 이는 트위터 기반 청취 이벤트에 음성 특징이 부여된 데이터이다.

실험 결과

연구 질문

• RQ1 RQ1: 다양한 맥락 차원의 맥락 조건이 음성 특징과 어떻게 관련되어 있는가?
• RQ2 RQ2: 다양한 맥락 조건에서 사용자 선호도의 음성 특징 표현을 기반으로 한 재순서는 음악 추천 정확도에 어떻게 영향을 미치는가?
• RQ3 RQ3: 동일한 맥락 조건(예: 시간대)에서 사용자 선호도의 전역 음성 특징 표현과 개인화된 표현 간의 재순서 성능는 어떻게 비교되는가?

주요 결과

• 개인화된 재순서 모델은 평가된 모든 추천 알고리즘(BPR, US-BPR, CAMF_IC)에서 MAP@10 지표에서 전역 모델을 일관되게 뛰어넘는다.
• 개인화된 모델은 원본(비맥락 기반) 순서보다 추천 정확도를 향상시키며, 특히 CAMF_IC 알고리즘에서 두드러진다.
• 전역 모델은 BPR과 US-BPR에 대해서는 원본 추천보다 성능이 열 劣하나, CAMF_IC에 대해서는 약간 더 낫게 나타나, 기준선에 맥락 특화 편향이 존재함을 시사한다.
• 역재순서(제안된 방법의 반대)는 성능을 심각하게 떨어뜨리며, 이는 재순서 전략이 효과적이며 랜덤 순서가 아니라는 점을 확인한다.
• 모든 기반 추천 알고리즘에 대해 최적의 λ 값이 존재하지 않으며, 실무에서는 각 추천 알고리즘 별로 λ를 튜닝해야 함을 시사한다.
• 결과는 음성 특징이 맥락 특화 사용자 선호도를 효과적으로 모델링할 수 있음을 보여주며, 본 연구의 核심 전제를 검증한다.