[论文解读] Content-driven Music Recommendation: Evolution, State of the Art, and Challenges

Yashar Deldjoo, Markus Schedl+1 more|arXiv (Cornell University)|Jul 25, 2021

Music and Audio Processing被引用 10

一句话总结

本综述提出了一种五层‘洋葱模型’音乐内容架构——信号层、嵌入元数据层、专家生成内容层、用户生成内容层以及衍生内容层，以系统化地分类内容驱动型音乐推荐系统。通过该框架分析了55项研究，识别出六大核心挑战：多样性、可解释性、上下文感知、序列推荐、可扩展性以及冷启动问题，同时指出了在衍生内容、认知建模、公平性以及对话式系统方面尚未解决的重大挑战。

ABSTRACT

The music domain is among the most important ones for adopting recommender systems technology. In contrast to most other recommendation domains, which predominantly rely on collaborative filtering (CF) techniques, music recommenders have traditionally embraced content-based (CB) approaches. In the past years, music recommendation models that leverage collaborative and content data -- which we refer to as content-driven models -- have been replacing pure CF or CB models. In this survey, we review 55 articles on content-driven music recommendation. Based on a thorough literature analysis, we first propose an onion model comprising five layers, each of which corresponds to a category of music content we identified: signal, embedded metadata, expert-generated content, user-generated content, and derivative content. We provide a detailed characterization of each category along several dimensions. Second, we identify six overarching challenges, according to which we organize our main discussion: increasing recommendation diversity and novelty, providing transparency and explanations, accomplishing context-awareness, recommending sequences of music, improving scalability and efficiency, and alleviating cold start. Each article addresses one or more of these challenges is categorized according to the content layers of our onion model, the article's goal(s), and main methodological choices. Furthermore, articles are discussed in temporal order to shed light on the evolution of content-driven music recommendation strategies. Finally, we provide our personal selection of the persisting grand challenges which are still waiting to be solved in future research endeavors.

研究动机与目标

• 为应对内容驱动型音乐推荐（CDMR）研究日益增长的系统化分类需求。
• 通过整合协同过滤与内容基信号，识别并分析CDMR模型的演变过程。
• 突出多样性、可解释性、上下文感知、序列推荐、可扩展性以及冷启动等核心挑战的未解问题。
• 提出统一框架（即洋葱模型），以在多个抽象层次上组织音乐内容类型。
• 识别并讨论CDMR中持续存在的重大挑战，包括衍生内容、认知建模、公平性以及对话式系统。

提出的方法

• 提出五层洋葱模型以分类音乐内容：信号层（音频特征）、嵌入元数据层（如ISWC、ISRC）、专家生成内容层（如流派、情绪）、用户生成内容层（如标签、播放列表）以及衍生内容层（如混音、翻唱）。
• 通过洋葱模型的视角分析55篇近期CDMR论文，按内容层级、研究目标与方法论路径进行分类。
• 将文献组织于六大核心挑战之下：多样性与新颖性、透明性/可解释性、上下文感知、序列推荐、可扩展性/效率，以及冷启动问题。
• 回顾CDMR研究的时间趋势，追踪模型设计与内容整合策略的演变。
• 识别出从纯协同过滤到融合深度学习、图神经网络与多模态表征的混合模型的方法论转变。
• 整合心理学与社会学的洞见，以指导未来在人类决策认知过程与音乐推荐公平性方面的研究。

实验结果

研究问题

• RQ1 如何在多个抽象层次上系统化地对音乐内容进行分类，以支持内容驱动型推荐？
• RQ2 过去十年中，内容驱动型音乐推荐的关键方法论趋势与转变是什么？
• RQ3 不同类型的音乐内容（如音频特征、用户标签、衍生作品）如何分别贡献于解决多样性、可解释性与冷启动等核心挑战？
• RQ4 内容驱动型音乐推荐中最为紧迫的未解重大挑战是什么，应如何应对？
• RQ5 如何将人类决策认知与心理模型整合进音乐推荐系统？

主要发现

• 洋葱模型能有效将音乐内容组织为五个具有独特特征与推荐系统实用价值的层级。
• 内容驱动型模型已基本取代纯协同过滤或内容基方法，混合模型现已成为最先进水平的主导范式。
• 衍生内容（如混音、翻唱、恶搞作品）在MRS研究中仍基本未被充分探索，构成一个显著的开放挑战。
• 亟需多维度的多样性与新颖性度量指标，以综合考虑内容、交互行为与用户感知在不同内容层级上的影响。
• 音乐推荐中的公平性问题仍是一个重大未解难题，尤其涉及艺术家与用户的性别及其他受保护属性。
• 对话式音乐推荐系统（CMRSs）正作为一项有前景但尚未充分探索的方向浮现，尤其在整合自然语言与多模态交互方面。