[论文解读] Local Music Event Recommendation with Long Tail Artists

Douglas Turnbull, Luke Waldner|arXiv (Cornell University)|Sep 7, 2018

Music and Audio Processing参考文献 15被引用 3

一句话总结

本文提出了一种基于局部音乐活动的推荐系统，利用潜在语义分析（LSA）建模艺术家与标签之间的相似性，从而有效推荐长尾、低曝光度的本地艺术家。该研究引入了音乐活动图谱，并证明即使仅依赖极少的数字足迹数据，也能实现高精度推荐，专家用户使用早期/晚期融合策略时，AUC得分最高可达0.79。

ABSTRACT

In this paper, we explore the task of local music event recommendation. Many local artists tend to be obscure long-tail artists with a small digital footprint. That is, it can be hard to find social tag and artist similarity information for many of the artists who are playing shows in the local music community. To address this problem, we explore using Latent Semantic Analysis (LSA) to embed artists and tags into a latent feature space and examine how well artists with small digital footprints are represented in this space. We find that only a relatively small digital footprint is needed to effectively model artist similarity. We also introduce the concept of a Music Event Graph as a data structure that makes it easy and efficient to recommend events based on user-selected genre tags and popular artists. Finally, we conduct a small user study to explore the feasibility of our proposed system for event recommendation.

研究动机与目标

• 解决推荐包含小众、长尾艺术家的本地音乐活动的挑战，这些艺术家的数字足迹极为有限。
• 开发一种可扩展的混合推荐系统，结合基于内容的标签与通过艺术家相似性实现的协同过滤。
• 减少推荐中的流行度偏差，确保热门与小众本地艺术家均能公平地获得展示机会。
• 通过本地音乐专家的用户研究评估系统的可行性，并使用AUC指标衡量性能。
• 探索潜在语义分析在稀疏、真实世界音乐活动数据中的应用，其中传统基于内容的方法往往失效。

提出的方法

• 构建一个四元组音乐活动图谱，将流派标签、热门艺术家、活动艺术家与活动相互关联，以实现高效检索。
• 应用潜在语义分析（LSA）将艺术家与标签数据嵌入到共享的低维潜在特征空间中。
• 使用截断的SVD从艺术家与标签在活动列表中的稀疏共现矩阵中计算LSA嵌入。
• 实施早期融合与晚期融合策略：对用户偏好向量进行平均、聚类或交错处理，以生成个性化的活动艺术家排名。
• 使用k-means聚类对用户偏好进行处理，其中k值设定为用户偏好数量的自然对数的四舍五入值。
• 使用余弦相似度得分或平均/交错排名融合方法，结合多个用户偏好信号对活动艺术家进行排序。

实验结果

研究问题

• RQ1 即使艺术家的数字足迹极少，LSA是否仍能有效建模艺术家相似性与标签关系？
• RQ2 当仅依赖流派标签或仅依赖艺术家偏好时，推荐系统的性能如何变化？
• RQ3 该系统在多大程度上能减少活动推荐中的流行度偏差，确保长尾艺术家获得可见性？
• RQ4 不同的融合策略（早期 vs. 晚期，平均 vs. 交错）对本地音乐活动发现的推荐准确性有何影响？
• RQ5 与本地音乐专家进行的用户研究能否为评估本地活动推荐系统提供可靠的基准？

主要发现

• 当仅使用艺术家偏好并采用“无融合 / 平均余弦”策略时，系统AUC达到0.79（±0.09），表明推荐精度较高。
• 仅使用流派偏好时，AUC为0.69（±0.16），表明基于标签的推荐准确度低于基于艺术家的推荐，但仍具实际意义。
• 当结合艺术家与流派偏好时，表现最佳的策略（“无融合 / 平均余弦”）AUC达到0.74（±0.12），证明混合信号具有显著价值。
• “聚类 / 交错”策略在组合偏好下实现了0.75（±0.09）的AUC，表明对用户偏好进行聚类可保持高性能。
• 到访频率较低的用户（每月一次）表现显著较差（AUC 0.61 ± 0.15），表明用户对本地音乐场景的熟悉程度对可靠评估至关重要。
• 流行度基线仅获得0.53的AUC，证实所提出的系统显著优于简单的流行度排序方法。