[论文解读] Diversifying Music Recommendations

Houssam Nassif, Kemal Oral Cansizlar+2 more|arXiv (Cornell University)|Oct 2, 2018

Music and Audio Processing参考文献 12被引用 8

一句话总结

本文提出了一种子模优化方法，用于在亚马逊音乐中多样化音乐推荐，通过整合项目相关性得分与基于类别的多样性，提升用户参与度。与Jaccard Swap方法相比，该子模方法能确保推荐结果在整体上保持一致的多样性与相关性，相较于基线，平均流媒体时长显著提升了0.64%。

ABSTRACT

We compare submodular and Jaccard methods to diversify Amazon Music recommendations. Submodularity significantly improves recommendation quality and user engagement. Unlike the Jaccard method, our submodular approach incorporates item relevance score within its optimization function, and produces a relevant and uniformly diverse set.

研究动机与目标

• 解决音乐流媒体中推荐冗余的问题，即来自同一专辑或流派的相似歌曲被集中推荐。
• 通过增强推荐多样性而不牺牲相关性，提升用户参与度。
• 评估子模优化是否在真实世界的音乐推荐系统中优于基于Jaccard的多样化方法。
• 将项目相关性得分整合到多样性优化过程中，以实现更均衡且以用户为中心的推荐。

提出的方法

• 子模方法将多样性建模为各类别子模函数之和，其中每个类别对应内容或行为属性（如歌手或专辑）。
• 采用贪心算法，迭代选择能最大化整体多样性得分边际增益的项目，确保各类别间收益递减。
• 目标函数结合个性化项目得分与子模多样性，定义为 ρ(A) = Σc fc(A)，其中 fc(A) = log(1 + Σi score(ai)) 对每个类别 c 成立。
• 该方法确保最相关的项目排在首位，随后是来自不同类别中高分项目的均衡组合。
• Jaccard Swap方法作为基线，通过基于相关性的迭代交换过程，最大化推荐项目之间的成对Jaccard距离。
• 两种方法均在亚马逊Prime音乐上通过三路A/B测试进行评估，多样性应用于歌曲、专辑和播放列表推荐。

实验结果

研究问题

• RQ1 在多样性优化函数中引入项目相关性是否能提升推荐质量？
• RQ2 子模优化能否生成均匀分布的多样化推荐，同时保持高相关性？
• RQ3 与基于Jaccard的多样化相比，子模多样化在用户参与度方面表现如何？
• RQ4 多样性增强是否能带来可测量的流媒体时长提升，作为关键参与度指标？

主要发现

• 子模多样化方法实现了平均流媒体时长0.64%的提升，该结果具有统计显著性（p = 0.03）。
• Jaccard Swap方法相较于基线提升了0.40%，但未达到统计显著性（p = 0.18）。
• 子模多样化在流媒体时长上比Jaccard Swap高出0.24%，但该差异未达到统计显著性（p = 0.41）。
• 子模方法确保最相关的歌曲排在首位，避免因追求多样性而造成的相关性损失。
• 子模函数的收益递减特性使得多样性在推荐列表中实现均匀分布。
• 结果证实，当多样性与相关性结合时，能显著提升音乐推荐系统中的用户参与度。