透過社群媒體評論及選擇性使用者偏好建立 Embedding-based 音樂推薦系統

Abstract

隨著線上音樂串流以及訂閱制成了人們聽音樂的主流方式之後，人們有了比以往更多的選擇，這也同時使音樂推薦系統比以往更為重要。音樂推薦系統不僅能幫助使用者在眾多選擇之中快速找到自己可能有興趣的音樂，也可以找出使用者的潛在興趣。 在我們的研究之中，我們建立了一個Embedding-based的J-pop音樂推薦系統，為了能更精確地捕捉使用者的偏好。我們以歌曲的其他資訊，例如歌手或作曲當作使用者可能會喜歡一首歌曲的原因，並且以專業領域知識考慮了這些資訊之間的關聯。除此之外，我們另外蒐集了社群媒體上的評論來代表每一首歌的客觀感受。我們發現人們經常在社群媒體上面描述一首歌曲對於他們的感受，而這些感受可以帶來與其他使用者偏好不同的資訊。在推薦的時候，我們分別考慮了使用者的長期偏好以及短期偏好。長期偏好代表了使用者喜歡的音樂風格，而短期偏好則是指出了使用者最近生活周遭發生的事會影響到近期使用者所聽的歌曲類型或主題。此外，我們也認為使用者會因為不同的原因和偏好而喜歡不同的歌曲。也就是說使用者偏好是會隨著被推薦的歌曲而有所不同的，我們將這個概念稱為選擇性偏好。 我們透過深度學習模型建立一個Embedding-based的推薦系統。該模型包含了知識圖譜及注意力機制。接著我們透過實驗切除法(ablation experiment)來評估我們實作的每個概念對模型成效的影響。實驗成功之後，我們進一步去分析模型的結果及發現來證實這些機制運作的合理性。