[论文解读] The Importance of Song Context and Song Order in Automated Music Playlist Generation

Andreu Vall, Massimo Quadrana+2 more|arXiv (Cornell University)|Jul 12, 2018

Music and Audio Processing参考文献 10被引用 4

一句话总结

本文使用三种模型——基于流行度的模型、协同过滤模型和RNN模型——在两个精心策划的播放列表数据集上，研究了在自动音乐播放列表生成中歌曲上下文和顺序的影响。结果表明，歌曲上下文显著提升了推荐质量，尽管流行度偏差可能掩盖了这一效果；然而，歌曲顺序并未明显提升预测性能，超越上下文信息。

ABSTRACT

The automated generation of music playlists can be naturally regarded as a sequential task, where a recommender system suggests a stream of songs that constitute a listening session. In order to predict the next song in a playlist, some of the playlist models proposed so far consider the current and previous songs in the playlist (i.e., the song context) and possibly the order of the songs in the playlist. We investigate the impact of the song context and the song order on next-song recommendations by conducting dedicated off-line experiments on two datasets of hand-curated music playlists. Firstly, we compare three playlist models, each able to consider a different song context length: a popularity-based model, a song-based Collaborative Filtering (CF) model and a Recurrent-Neural-Network-based model (RNN). We also consider a model that predicts next songs at random as a reference. Secondly, we challenge the RNN model (the only model from the first experiment able to consider the song order) by manipulating the order of songs within playlists. Our results indicate that the song context has a positive impact on the quality of next-song recommendations, even though this effect can be masked by the bias towards very popular songs. Furthermore, in our experiments the song order does not appear as a crucial variable to predict better next-song recommendations.

研究动机与目标

• 评估歌曲上下文对自动播放列表生成中下一首歌推荐质量的影响。
• 评估建模歌曲顺序是否能提升推荐性能，相较于仅依赖上下文的方法。
• 调查流行度偏差在播放列表推荐任务中对模型性能的影响程度。
• 比较不同建模方法——基于流行度、协同过滤和RNN——在精心策划播放列表数据上的有效性。
• 通过操纵播放列表中的歌曲顺序，测试RNN模型的鲁棒性，以隔离其影响。

提出的方法

• 评估了三种模型：基于流行度的模型、基于歌曲的协同过滤（CF）模型和循环神经网络（RNN）模型。
• 使用两个由人工精心策划的音乐播放列表数据集进行离线实验。
• 通过考虑播放列表中歌曲的顺序，训练RNN模型以捕捉序列依赖关系。
• 通过打乱播放列表中的歌曲顺序，进行消融研究，以隔离序列顺序对RNN预测的影响。
• 使用标准评估指标（如精确率、召回率）比较不同上下文长度下的模型性能。
• 将随机下一首歌预测作为基线，以衡量相对于随机猜测的性能提升。

实验结果

研究问题

• RQ1 增加歌曲上下文长度如何影响下一首歌推荐的质量？
• RQ2 与仅依赖上下文的模型相比，建模歌曲顺序在多大程度上能提升推荐性能？
• RQ3 流行度偏差如何影响播放列表推荐模型的性能？
• RQ4 RNN模型能否有效利用歌曲顺序来提升在精心策划播放列表上的推荐效果？
• RQ5 RNN模型对歌曲顺序的扰动（如随机打乱）有多大的鲁棒性？

主要发现

• 歌曲上下文显著提升了推荐质量，且所有模型在上下文长度越长时性能越好。
• 与上下文感知模型相比，基于流行度的模型表现较差，表明仅靠流行度不足以实现高质量推荐。
• RNN模型优于基于流行度和协同过滤的模型，证明了序列建模的价值。
• 尽管RNN具备建模顺序的能力，但通过打乱歌曲顺序对预测质量的影响微乎其微，表明在该设置下顺序并非关键因素。
• 流行度偏差掩盖了歌曲上下文的积极影响，尤其是在未显式考虑序列依赖关系的模型中。
• 顺序操纵未带来性能提升，暗示RNN学习到的序列模式可能更多受内容和上下文影响，而非严格依赖顺序。