机构名称：
¥ 1.0
抽象音乐推荐系统传统上依靠用户的听力历史来提供个性化的轨道建议。但是，由大语言模型（LLMS）提供动力的对话界面的最新进展使用户能够根据语言提示提供高度特定的建议请求（例如“您能推荐一些老式的摇滚民谣放松吗？” ）。在这种情况下，轨道建议步骤以生成方式（即推荐音乐曲目的标题是通过简单地预测下一个文本令牌来生成的（例如“齐柏林飞艇 - 通往天堂的楼梯”）。此策略是音乐项目的亚最佳选择，因为：1）它依赖于针对单词而不是项目优化的通用文本令牌化，2）它需要一个额外的实体分辨率层才能找到实际的轨道标识符； 3）解码步骤的数量与艺术家名称和歌曲标题的长度线性缩放，速度降低了，慢速降低。在本文中，我们将基于及时的音乐推荐的任务构架为生成的检索任务，并提出了轨道标识符的新颖有效且有效的表示，这些标识符显着超过了常用的策略。我们介绍了Text2Tracks，这是一种生成的检索模型，可直接从用户的音乐推荐提示中学习映射到相关的轨道ID。Through an offline evaluation on three datasets of playlists with language inputs, we find that (1) the strategy to create IDs for music tracks is the most important factor for the effectiveness of Text2Tracks and that we can significantly outperform the artist name and track name strategy, (2) provided with the right choice of track identifiers, Text2Tracks outperforms sparse and dense retrieval for prompt-based track recommendation, and (3) several design decisions成功地应用于生成检索不会推广到音乐推荐域。
text2tracks：基于及时的音乐推荐的生成曲目检索
主要关键词
相关文件推荐
