Personalized Music Recommendation with a Heterogeneity-aware Deep Bayesian Network

音乐推荐系统在音乐流媒体平台中至关重要，为用户提供他们喜欢的音乐。最近的研究表明，用户情绪可以影响用户的音乐心情偏好。然而，现有的情感感知音乐推荐系统（EMRS）明示或暗示地假定，用户通过相同的情感词表达的实际情感状态是同质的。他们还假定，用户在相同的情感状态下的音乐心情偏好是同质的。在本文中，我们提出了四种EMRS应该考虑的异质性：用户之间的情感异质性、用户内部的情感异质性、用户之间的音乐心情偏好异质性和用户内部的音乐心情偏好异质性。我们进一步提出了一种异质性感知深度贝叶斯网络（HDBN）来模拟这些假设。HDBN模拟了用户选择音乐的决策过程，包括个性化先验用户情感分布建模、后验用户情感分布建模、用户分组和基于贝叶斯神经网络的音乐心情偏好预测四个组成部分。我们构建了一个名为EmoMusicLJ的大规模数据集来验证我们的方法。广泛的实验表明，我们的方法在广泛使用的HR和NDCG推荐指标上明显优于基线方法。消融实验和案例研究进一步验证了我们的HDBN的有效性。源代码可在https://github.com/jingrk/HDBN获得。

本论文旨在解决情感感知音乐推荐系统（EMRS）中的四种异质性问题，并提出了一种基于深度贝叶斯网络的解决方案。

该论文提出了一种Heterogeneity-aware Deep Bayesian Network (HDBN)的模型，通过个性化先验用户情感分布建模、后验用户情感分布建模、用户分组和基于贝叶斯神经网络的音乐心情偏好预测等四个组件，模拟了用户选择音乐的决策过程。

该论文构建了一个大规模的数据集EmoMusicLJ来验证他们的方法，并进行了广泛的实验。实验结果表明，HDBN方法在广泛使用的HR和NDCG推荐指标上显著优于基线方法。该论文还进行了消融实验和案例研究，进一步验证了HDBN的有效性。该论文提供了开源代码。

在情感感知音乐推荐领域，最近的相关研究包括：1.基于情感分析的音乐推荐系统；2.考虑情感和上下文信息的音乐推荐系统；3.基于用户情感和音乐特征的音乐推荐系统等。