[论文解读] Neural Network Based Next-Song Recommendation

Kai-Chun Hsu, Szu-Yu Chou+2 more|arXiv (Cornell University)|Jun 24, 2016

Recommender Systems and Techniques参考文献 13被引用 5

一句话总结

本文提出了一种名为 CNN-rec 的新型基于神经网络的下一首歌曲推荐系统，该系统利用卷积神经网络（CNNs）建模用户播放列表中的顺序收听模式，灵感源自自然语言处理。在真实世界音乐数据集上的评估表明，CNN-rec 在性能上优于经典推荐系统，并达到与最先进方法相当的水平，证明了 CNN 在捕捉音乐推荐中顺序依赖关系方面的有效性。

ABSTRACT

Recently, the next-item/basket recommendation system, which considers the sequential relation between bought items, has drawn attention of researchers. The utilization of sequential patterns has boosted performance on several kinds of recommendation tasks. Inspired by natural language processing (NLP) techniques, we propose a novel neural network (NN) based next-song recommender, CNN-rec, in this paper. Then, we compare the proposed system with several NN based and classic recommendation systems on the next-song recommendation task. Verification results indicate the proposed system outperforms classic systems and has comparable performance with the state-of-the-art system.

研究动机与目标

• 为解决通过建模音乐播放列表中的顺序依赖关系来推荐用户收听序列中下一首歌曲的挑战。
• 探索深度学习技术，特别是 CNN，在音乐推荐中顺序推荐任务中的应用。
• 将所提出的模型与经典推荐系统和最先进神经网络方法进行比较。
• 评估卷积网络在捕捉用户收听行为时间模式方面的有效性。

提出的方法

• 所提出的模型 CNN-rec 使用一维卷积神经网络，将用户收听历史作为歌曲序列输入处理。
• 使用学习得到的嵌入层将序列中的每首歌曲转换为密集向量表示。
• 模型应用多个不同卷积核大小的卷积滤波器，以提取序列中局部模式和依赖关系。
• 卷积后应用池化层，以减少序列长度并提取高层特征。
• 最终表示通过全连接层后接 softmax 层，用于从候选歌曲集中预测下一首歌曲。
• 模型通过交叉熵损失端到端训练，以最小化下一首歌曲预测任务中的预测误差。

实验结果

研究问题

• RQ1 卷积神经网络能否有效建模音乐收听行为中的顺序模式，以实现下一首歌曲推荐？
• RQ2 所提出的基于 CNN 的模型性能与传统协同过滤和矩阵分解方法相比如何？
• RQ3 CNN-rec 模型是否达到与最先进神经网络推荐系统相当的性能？
• RQ4 通过卷积滤波器提取局部模式对提升推荐准确性的贡献是什么？

主要发现

• CNN-rec 在下一首歌曲预测准确率上优于经典推荐系统，如协同过滤和矩阵分解。
• 该模型在相同基准数据集上的性能与最先进神经网络推荐系统相当。
• 卷积层中使用多种卷积核大小，使模型能够捕捉不同时间尺度下的多样化顺序模式。
• 消融实验确认，通过 CNN 实现的序列建模显著提升了推荐质量，优于非序列基线模型。