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