[论文解读] Online Music Listening Culture of Kids and Adolescents: Listening Analysis and Music Recommendation Tailored to the Young

Markus Schedl, Christine Bauer|arXiv (Cornell University)|Dec 24, 2019

Music and Audio Processing被引用 5

一句话总结

本研究基于 Last.fm 的 LFM-1b 数据集，分析了 6–18 岁儿童与青少年的音乐流派偏好及协同过滤性能。研究发现，针对 6–18 岁年龄群体定制推荐可显著提升预测准确率（RMSE 5.178–7.469），优于整体人群及成年用户，其中 6–12 岁与 17–18 岁年龄组表现最佳。

ABSTRACT

In this paper, we analyze a large dataset of user-generated music listening events from Last.fm, focusing on users aged 6 to 18 years. Our contribution is two-fold. First, we study the music genre preferences of this young user group and analyze these preferences for homogeneity within more fine-grained age groups and with respect to gender and countries. Second, we investigate the performance of a collaborative filtering recommender when tailoring music recommendations to different age groups. We find that doing so improves performance for all user groups up to 18 years, but decreases performance for adult users aged 19 years and older.

研究动机与目标

• 调查 6–18 岁儿童与青少年的音乐流派偏好，并分析其在年龄、性别与国家之间的同质性。
• 评估将协同过滤推荐针对特定年龄群体进行定制，是否能提升预测准确率，相较于通用推荐。
• 评估年轻用户（≤18 岁）与成年用户（≥19 岁）在音乐推荐系统中的性能差异。
• 识别细粒度年龄组与人口统计子群体中音乐品味同质性与偏好多样性的模式。
• 为年龄感知个性化在面向青少年受众的音乐推荐系统中的重要性提供证据。

提出的方法

• 使用包含超过 10.8 亿条播放记录的 LFM-1b 数据集，涵盖 120,175 名 Last.fm 用户，其中 5,953 名用户年龄为 6–18 岁。
• 通过艺术家标签与播放次数推导出用户音乐偏好的流派配置，归一化为基于百分比的流派分布。
• 将群体级流派偏好计算为个体用户流派配置的算术平均值。
• 使用 Krippendorff’s alpha 系数衡量用户群体内部偏好的同质性，作为评分者一致性指标。
• 采用基于模型的协同过滤进行偏好预测，通过在年龄组特定子集上计算 RMSE 与 MAE 评估性能。
• 将用户划分为年龄组（6–12 岁、13–14 岁、15–16 岁、17–18 岁），并与整体人群及成年用户（19–60 岁）的推荐性能进行比较。

实验结果

研究问题

• RQ1 6–18 岁儿童与青少年在细粒度年龄组、性别与国家之间，音乐流派偏好如何变化？
• RQ2 年轻用户群体内部的音乐偏好同质性程度如何？其在不同人口统计因素下如何变化？
• RQ3 将协同过滤推荐针对 6–18 岁年龄组进行定制，是否能提升预测准确率，相较于通用推荐？
• RQ4 在协同过滤系统中，年轻用户（≤18 岁）的推荐性能与成年用户（≥19 岁）相比如何？
• RQ5 针对年龄组的个性化对音乐推荐任务中 RMSE 与 MAE 的影响是什么？

主要发现

• 年轻用户（6–18 岁）的整体推荐性能显著优于整体人群，RMSE 为 7.766，而整体人群为 29.105。
• 最小年龄组（6–12 岁）表现最佳，RMSE 为 5.178，MAE 为 1.555，表明推荐极为有效。
• 17–18 岁年龄组也表现强劲，RMSE 为 7.469，表明晚期青少年时期存在较强的同龄人影响听歌模式。
• 成年用户（19–60 岁）的推荐准确率下降，RMSE 达 77.548，表明针对年龄的定制化在成年用户中效果较差。
• 15–16 岁年龄组表现中等（RMSE 9.513），而 13–14 岁组在年轻用户中误差最高（RMSE 10.395）。
• 偏好同质性（通过 Krippendorff’s alpha 衡量）在不同国家与年龄组之间存在差异，数值越高表示子群体内流派偏好越一致。