【deep learning学习笔记】Recommending music on Spotify with deep learning

主要内容：

Spotify是个类似酷我音乐的音乐站点。做个性化音乐推荐和音乐消费。作者利用deep learning结合协同过滤来做音乐推荐。

详细内容：

1. 协同过滤

基本原理：某两个用户听的歌曲都差点儿相同，说明这两个用户听歌的兴趣、品味类似。某两个歌曲，被同一群人听，说明这两个歌曲风格类似。

缺点：

（1）没有利用歌曲本身的特征（信息）

（2）无法对“层级”的item进行处理，对于歌曲来说，这样的层级关系体如今：专辑—主打歌—副歌，上面，这几种因素并非同等重要的

（3）冷启动问题：协同过滤的方法用用户行为来进行推荐，没有行为的用户和item怎么办？

2. 基于内容的推荐

spotify正在进行的尝试，用内容之间的关系（相似度）来进行推荐。content-based recommendation，除了用用户行为信息之外，歌曲内容的信息也能够被用来计算item之间的相似度。

而作者在这里要尝试的是，依据歌曲本身的音频信号来计算歌曲之间的相似度。

DL擅好处理音频、图像等原始信息，作者用DL在这里来处理歌曲的音频信息，从而计算歌曲之间的相似度。（个人补充：同一时候，用户听得歌曲列表，也能够看做是一首歌曲，这首歌曲也能够计算和其它歌曲的相似度。这样就计算了用户和某个歌曲的相似程度。进一步作为给当前用户做推荐的理由）

3. predicting listening preference with deep learning

将歌曲音频信息、以及歌曲的其它标记信息（专辑、作者等）通过深度神经网络的方式映射到一个低维latent space中，用这个低维空间向量来表示歌曲。

神经网络的结构例如以下：

最左端是音频输入层。然后是连个卷及网络，然后是几个全连接的正常神经网络。作者并没有解释为什么是这种网络结构。最后一层40个节点。输出是vector_exp算法的结果，不是softmax。只是从名字上看貌似他俩都差点儿相同，可能一个实现性函数。还有一个是非线性的函数。

用神经网络的一个问题就是：神经网络的输出是定长的，而歌曲音频（不管从时间还是从文件大小来看）都是变长的，怎样把边长的原始输入映射到定长的神经网络输入其中？——这个也是NLP领域在用神经网络的时候遇到的问题。作者的作法非常粗糙也非常干脆：把音频文件分成3秒钟一个段，然后各段的输入数值取平均值，作为整个歌曲的输入向量。

对于一个用户。历史上听过非常多歌曲，也是这么处理，终于得到用户的歌曲向量。

4. 训练

用MSE准则来训练。

另一个问题，DL是有监督学习方法。那么神经网络的标准输出是什么？也就是。对于一个给定歌曲，最后40维的标准输出结果是什么？我理解。文章中的意思是标准协同过滤模型、通过LDA等降维之后。当前歌曲相应的维度输出结果。那么，接下来的问题，既然用矩阵分解的结果作为标准，作者为什么还费事训练DL呢？一方面是解决冷启动问题（对于新歌的预測），另一方面，对音频信息与矩阵分解结果做映射，可能就像作者文章最開始说的。也能利用音频本身的信息吧。

在模型应用上面。训练好神经网络之后，对于一个新歌。可以通过既定的网络參数计算得出这个歌曲的相应的latent representation（40维输出结果）；而对于一个用户，通过对他历史听歌习惯来进行计算。也能计算这样一个40维的结果，两个向量夹角就能计算这个用户是否是对这个歌曲感兴趣。

5. 其它尝试

作者还做了其它尝试。包含用不同的协同过滤模型分别训练出来40维结果。然后将这些向量拼起来。或者尝试用很多其它层的神经网络。

6. what is it learning?

分析详细的学习结果：音频片段等等。

完。

转载请注明出处：http://blog.csdn.net/xceman1997/article/details/38475083