【論文閱讀-REC】<<Recommending music on Spotify with deep learing>>閱讀
阿新 • • 發佈:2017-05-07
play ring 來源 調整 能力 表達 layers 書籍 訓練
1、協同過濾
協同過濾不使用item的具體信息,因此可適用性很強,在書籍、電影、音樂上都可用;
協同過濾不適用item的具體信息,因此強者愈強;
冷啟動問題無法解決
2、基於內容的推薦
使用聲音信號推薦
3、用DL預估偏好
把用戶和music各表示成vec
4、提升效率
輸入:每個audio,切割成3秒的片段;預測:對這些片段求平均
以梅爾聲譜作為輸入,橫軸是頻率,縱軸是時間;
僅在時間維度卷積,不在頻率維度卷積,這和圖像不一樣,圖像各個維度內涵一樣,音頻不一樣;
通過下采樣,獲得時間維度的不變形;
最後一個池化層使用了global tmporal 池化,作者認為音頻特征有全局性,不像圖片是局部的;
5、訓練
Loss:MSE,最小化模型輸出向量和CF輸出向量的差值
trick:通過時間軸偏移,稍微調整聲譜,擴展數據
6、變化(優化嘗試)
1)More hidden layers
2)ReLU->maxout unit
3)max-pooling->stocastic pooling
4)拉伸或者壓縮時域,擴展數據
5)級聯別的CF輸出的latent vector
7、分析:我們學到了什麽
1)低級表征:最大激活
playlist流派不同,最大激活獲取了這種特征(音高)
2)低級表征:平均激活
獲取一段時間的平均,獲得了和聲表征
3)高級表征:
對子音樂類型很有表達能力
8、基於相似度的推薦
效果還不錯啦
9、用在哪裏
1)推薦集合的來源
2)異常過濾
3)冷啟動問題
【論文閱讀-REC】<<Recommending music on Spotify with deep learing>>閱讀