LARP: Language Audio Relational Pre-training for Cold-Start Playlist Continuation

随着在线音乐消费越来越多地转向基于播放列表的听歌方式，播放列表延续任务变得至关重要，即算法以个性化和音乐连贯的方式建议歌曲，以扩展播放列表，这对音乐流媒体的成功至关重要。目前，许多现有的播放列表延续方法依赖于协同过滤方法进行推荐。然而，这种方法将难以推荐缺乏交互数据的歌曲，这是一个已知的问题，称为冷启动问题。目前，应对这一挑战的方法是设计复杂的机制，从稀疏的协作数据中提取关系信号，并将其集成到内容表示中。然而，这些方法将内容表示学习排除在外，并利用冻结的、预训练的内容模型，这些模型可能与特定的音乐设置的分布或格式不一致。此外，即使是音乐领域最先进的内容模型，也要么与冷启动设置不兼容，要么无法有效地集成跨模态和关系信号。在本文中，我们介绍了LARP，一种多模态的冷启动播放列表延续模型，以有效地克服这些限制。LARP是一个三阶段对比学习框架，将多模态和关系信号集成到其学习表示中。我们的框架使用逐步增加的任务特定抽象：在曲内（语言-音频）对比损失、曲间对比损失和曲-播放列表对比损失。在两个公开可用的数据集上的实验结果表明，与单模态和多模态模型相比，LARP在冷启动设置下的播放列表延续方面具有更好的效果。代码和数据集发布在：https://github.com/Rsalganik1123/LARP。

解决问题：论文旨在解决音乐推荐中的冷启动问题，即如何在缺乏交互数据的情况下，为用户推荐个性化且音乐连贯的歌单。

关键思路：论文提出了一种名为LARP的多模态冷启动歌单推荐模型。LARP是一个三阶段的对比学习框架，将多模态和关系信号整合到学习表示中，通过逐步增加任务特定的抽象层次来实现。LARP包括语言-音频内部对比损失、音轨-音轨对比损失和音轨-歌单对比损失。

其他亮点：论文在两个公开数据集上进行了实验，证明了LARP在冷启动情况下比单模态和多模态模型更有效。论文提供了代码和数据集，并提出了一些值得进一步研究的问题，如如何在更具挑战性的数据集上评估模型性能。

相关研究：目前的歌单推荐研究主要依赖于协同过滤方法，但存在冷启动问题。此外，现有的内容表示学习方法往往与具体的音乐场景不对齐。近期的相关研究包括“Neural Collaborative Filtering for Personalized Ranking”和“Deep Content-User Embedding Models for Music Recommendation”。