Upgrade to Pro — share decks privately, control downloads, hide ads and more …

文化が形作る音楽推薦の消費と、その逆

kuri8ive
October 24, 2024

 文化が形作る音楽推薦の消費と、その逆

ウェブ・ソーシャルメディア論文読み会の2024年10月24日回における発表資料です。
https://sites.google.com/view/web-socialmedia-study/home

紹介論文は以下2つとなります。
・Socially-Motivated Music Recommendation (ICWSM'24)
・Oh, Behave! Country Representation Dynamics Created by Feedback Loops in Music Recommender Systems (RecSys'24, short)

kuri8ive

October 24, 2024

Transcript

30 slides
  1. 4/30 ただしライブ等でなく一人で聴いても、社会的な利益を得られる (Hargreaves and North 1999, Groarke and Hogan 2016)

    ⚫「音楽は私を孤独にしない」 ⚫思い出を呼び起こす ⚫共有体験 この研究では以下を探る ⚫個人の音楽鑑賞が社会的体験にどう貢献するか? ⚫↑の支援のために推薦システムはどう役立つか? 背景|"社会的代替"としての個人の音楽視聴 Hargreaves, D. J.; and North, A. C. The functions of music in everyday life: Redefining the social in music psychology. Psychology of Music'99 Groarke, J. M.; and Hogan, M. J. Enhancing wellbeing: An emerging model of the adaptive functions of music listening. Psychology of Music'16
  2. 9/30 ⚫人口統計データ ⚫ 年齢や性別 ⚫ アカウントを作成した国 ⚫ Spotify利用期間 ⚫視聴データ ⚫

    最も多く音楽を聴いた言語 ⚫ 視聴デバイス ⚫ 好みのジャンル 各コミュニティのユーザーの10%を評価用として区別 残り90%のデータで後述の手順により曲をランク付け 実験手順(1/3)|ヒューリスティックにコミュニティを区別
  3. 13/30 必要ユーザー割合を固定し、国ごとにプロット (対象の20カ国のうち、 個人主義の度合いが最も高い/低い5カ国) → 社会的価値も考慮した推薦は より集団主義的な社会において効果的 集団主義社会においては、 少数のアーティストに音楽視聴が集中する という既存研究とも一致

    (Ferwerda et al. 2016, Ferwerda and Schedl 2016) 実験結果(2/2)|個人主義的な国と集団主義的な国による差 Ferwerda et al. 2016. Exploring music diversity needs across countries (UMAP'16) Ferwerda and Schedl 2016. Investigating the Relationship Between Diversity in Music Consumption Behavior and Cultural Dimensions: A Cross -Country Analysis. (UMAP'16)
  4. 18/30 Mansouryらが提案した手順[13]で行う 以下のプロセスを100回繰り返す 1. データセットを学習(75%)、バリデーション(20%)、テスト(5%)に分割 2. モデルを学習させ、k個のアイテムを推薦 3. [13]で提案された受け入れ確率に基づいて、うち1つをユーザーの消費履歴に追加 ⚫

    ユーザーとk個の推薦アイテム(R)、𝑟𝑎𝑛𝑘𝑡 をソートされたリストRにおけるアイテムtの順位、 αは0未満のハイパラとして、 𝑝𝑟𝑜𝑏 𝑡 R = 𝑒𝛼∗𝑟𝑎𝑛𝑘𝑡 σ 𝑗=1 𝑘 𝑒𝛼∗𝑗 4. 3を含むデータで再学習 実験方法|オフラインシミュレーション [13] Feedback Loop and Bias Amplification in Recommender Systems. (CIKM'20)
  5. 19/30 推薦結果と、シミュレーション前とシミュレーションでの視聴履歴がどれほど違うかを 下記2つの観点で評価 ⚫各国、アメリカの音楽の割合 𝑝𝑢 𝑙𝑜𝑐𝑎𝑙 = 𝐼𝑢 𝑙𝑜𝑐𝑎𝑙 |𝐼𝑢

    | , 𝑝𝑢 𝑢𝑠 = 𝐼𝑢 𝑢𝑠 |𝐼𝑢 | ここで𝐼𝑢 𝑙𝑜𝑐𝑎𝑙はユーザーと曲の国が一致する集合 ⚫視聴履歴の分布の違い 𝐽𝑆𝐷 𝐻𝑢 , 𝐻𝑢 ∗ = 1 2 ෍ 𝑐 𝐻𝑢 𝑐 log2 2𝐻𝑢 𝑐 𝐻𝑢 𝑐 + 𝐻𝑢 ∗ 𝑐 + 1 2 ෍ 𝑐 𝐻𝑢 ∗ 𝑐 log2 2𝐻𝑢 ∗ 𝑐 𝐻𝑢 𝑐 + 𝐻𝑢 ∗ 𝑐 ここで𝐻𝑢 はユーザー𝑢の元のデータでの曲の属性分布、𝐻𝑢 ∗はn回の反復後の分布、 𝐻 𝑐 は分布𝐻における属性値𝑐に対応する確率値 実験方法|評価基準
  6. 20/30 実験設定|データセット LFM-2b[17]をベースに、 Lesotaらの手法[12]と同様の前処理と拡張処理を施す 1. Musicbrainzからアーティストの 出身国情報を追加し曲に国の属性を付与 2. 以下を除外 ⚫

    一度しか聴かれていない曲 ⚫ ユーザーや国情報が利用できないインタラクション 2018〜2019年のインタラクションを対象 ランダムサンプリングした10万曲、12,000ユーザー、 229万インタラクションで構成 [17] LFM-2b: A Dataset of Enriched Music Listening Events for Recommender Systems Research and Fairness Analysis. (CHIIR'22) [12] Traces of Globalization in Online Music Consumption Patterns and Results of Recommendation Algorithms. (ISMIR'22)
  7. 21/30 ⚫ItemKNN[4] ⚫Bayesian Personalized Ranking (BPR)[16] ⚫LightGCN[5] ⚫Neural Matrix Factorization

    (NeuMF)[6] ⚫MultiVAE[20] ⚫Pop ⚫ 各ユーザーが未視聴のアイテムの中で最も人気のあるものを推薦する 実験設定|6手法を対象 [4] Item-based top-N recommendation algorithms. (TOIS''04) [16] BPR: Bayesian Personalized Ranking from Implicit Feedback. (UAI'09) [5] LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation. (SIGIR'20) [6] Neural Collaborative Filtering. (WWW'17) [20] Multi-VAE: Learning Disentangled View-common and Viewpeculiar Visual Representations for Multi-view Clustering. (ICCV'21)
  8. 22/30 実験設定|評価手順 ⚫Recbole[21]を使用 ⚫各モデル(のハイパラ)はデフォルトのまま ⚫最大200エポックまで学習させ、 NDCG@10で改善が見られない状態が5エポック続くと早期停止 ⚫シミュレーションの各回の受け入れにおいて、 各ユーザーに対して𝑡𝑜𝑝 𝑘 =

    10のアイテムを考慮 ⚫受け入れ確率のハイパラ𝛼 = 0.1 Lesotaら[12]にしたがって、100人以上いて1,000曲以上ある国で分析 [21] RecBole: Towards a Unified, Comprehensive and Efficient Framework for Recommendation Algorithms. [12] Traces of Globalization in Online Music Consumption Patterns and Results of Recommendation Algorithms. (ISMIR'22)

More Decks by kuri8ive

Other Decks in Research