1、协同过滤

协同过滤不使用item的具体信息，因此可适用性很强，在书籍、电影、音乐上都可用；

协同过滤不适用item的具体信息，因此强者愈强；

冷启动问题无法解决

2、基于内容的推荐

使用声音信号推荐

3、用DL预估偏好

把用户和music各表示成vec

4、提升效率

输入：每个audio，切割成3秒的片段；预测：对这些片段求平均

以梅尔声谱作为输入，横轴是频率，纵轴是时间；

仅在时间维度卷积，不在频率维度卷积，这和图像不一样，图像各个维度内涵一样，音频不一样；

通过下采样，获得时间维度的不变形；

最后一个池化层使用了global tmporal 池化，作者认为音频特征有全局性，不像图片是局部的；

5、训练

Loss：MSE，最小化模型输出向量和CF输出向量的差值

trick：通过时间轴偏移，稍微调整声谱，扩展数据

6、变化（优化尝试）

1）More hidden layers

2）ReLU->maxout unit

3）max-pooling->stocastic pooling

4）拉伸或者压缩时域，扩展数据

5）级联别的CF输出的latent vector

7、分析：我们学到了什么

1）低级表征：最大激活

playlist流派不同，最大激活获取了这种特征（音高）

2）低级表征：平均激活

获取一段时间的平均，获得了和声表征

3）高级表征：

对子音乐类型很有表达能力

8、基于相似度的推荐

效果还不错啦

9、用在哪里

1）推荐集合的来源

2）异常过滤

3）冷启动问题

【论文阅读-REC】<<Recommending music on Spotify with deep learing>>阅读