?頻表征?模型在歌曲冷啟中的應?與探索

冷啟中的應?與探索DataFunSummit#202401問題與背景介紹02基于(Item,Item)共現(xiàn)數(shù)據(jù)微調03基于(User,Item)交互數(shù)據(jù)微調04總結與展望}歌曲投放鏈路 -歌曲推薦鏈路新冷內容冷啟問題?頻表征刻畫了通?的、豐富多元的?樂屬性?頻表征對推薦可能有哪些幫助《本草綱?》?頻表征在推薦系統(tǒng)落地的難點《本草綱?》《富??下》《富??下》根據(jù)微調的數(shù)據(jù)可以分成:注:?樂內容信息?常豐富,較?維度的表基于內容的分類:標簽化處理流派分類基于內容本?處理,與?戶?為?關純?聲純器樂?聲+伴奏其他旋律性?聲?旋律?聲聲學樂器搖滾?旋律?樂旋律?樂?伴奏合唱鄉(xiāng)村先鋒?樂…獨唱………打擊樂……02基于(Item,Item)共現(xiàn)數(shù)據(jù)微調03基于(User,Item)交互數(shù)據(jù)微調04總結與展望2.1如何融?I2I共現(xiàn)信號-MPE表征使?推薦?戶?為?志的共現(xiàn)歌曲作為監(jiān)督信號降維映射Resnet34n模型輸出效果:投放I2I2U鏈路2.2.2MPE表征的應?(2)-推薦召回全民K歌「AI歌聲」推薦全民K歌「AI歌聲」推薦「?動播放」推薦2.3如何對齊IDEmbed-MP…原因:表征空間不—致問題2.4.1MPE相似IDs的應?(1)-投放U2I匹配擴展投放匹配模型的歌曲側特征征擴展征擴展實時?戶擴展其它:2.4.2MPE相似IDs的應?(2)-長尾推薦 n每?30?:時長+0.06%收藏+0.67%02基于(Item,Item)共現(xiàn)數(shù)據(jù)微調03基于(User,Item)交互數(shù)據(jù)微調04總結與展望U2I交互數(shù)據(jù)微調范式…表征映射EncoderU2I交互數(shù)據(jù)微調范式…表征映射EncoderI2I共現(xiàn)數(shù)據(jù)微調范式I2I共現(xiàn)數(shù)據(jù)微調范式表征映射Encodern樣本量級相對?些n依賴數(shù)據(jù)集構造的質量n樣本量更?,User側也包含各種?為序列(約2~3個數(shù)量級)n更兼容現(xiàn)有推薦模型的訓練模式n需要更側重于如何?效訓練3.2如何融?U2I交互信號導??維?頻表征,基于?規(guī)模U2I交互數(shù)據(jù)學習映射表征映射Encoder表征映射Encoder3.3如何使?Encoder表征實驗:優(yōu)點:結論:-0.05pp3.4模型更新流程Baseline模型Baseline模型全量的?維新增的?維0)時初始化02基于(Item,Item)共現(xiàn)數(shù)據(jù)微調03基于(User,Item)交互數(shù)據(jù)微調04總結與展望4.2其他4.1總結與規(guī)劃介紹了—些在?樂推薦冷啟問題上,可快速落地?頻表征的通?解決?案