Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning

Abstract

Advanced music recommendation systems are being introduced along with the development of machine learning. However, it is essential to design a music recommendation system that can increase user satisfaction by understanding users music tastes, not by the complexity of models. Although several studies related to music recommendation systems exploiting negative preferences have shown performance improvements, there was a lack of explanation on how they led to better recommendations. In this work, we analyze the role of negative preference in users music tastes by comparing music recommendation models with contrastive learning exploiting prefer- ence (CLEP) but with three different training strategies - exploiting preferences of both positive and negative (CLEP-PN), positive only (CLEP-P), and negative only (CLEP- N). We evaluate the effectiveness of the negative preference by validating each system with a small amount of personalized data obtained via survey and further illuminate the possibility of exploiting negative preference in music recommendations. Our experimental results show that CLEP-N outperforms the other two in accuracy and false positive rate. Furthermore, the proposed training strategies produced a consistent tendency regardless of different types of front-end musical feature extractors, proving the stability of the proposed method.

머신러닝의 발전과 함께 이를 활용한 다양한 음악 추천 시스템이 도입되고 있 다. 그러나 음악 추천 시스템에 대한 사용자의 만족도를 높이기 위해서는 단순히 복잡하고 성능이 좋은 모델을 적용하는 것이 아닌, 사용자의 음악 취향에 대한 이해 가 반영된 음악 추천 시스템을 설계해야 한다. 비선호도를 활용한 음악 추천 시스템 역시 여러 연구에서 제안되었는데, 비선호도를 반영함으로써 성능이 향상됨을 보였 지만 비선호도를 반영하는 것이 구체적으로 어떻게 더 나은 추천으로 이어졌는지에 대한 설명은 부족했다. 본 연구를 통해 우리는 선호도와 비선호도를 다르게 적용하여 훈련된 대조 학습 모델(Contrastive Learning Exploiting Preference, CLEP)을 비교 분석함으로써 사용 자의 음악 취향에서 비선호도가 어떤 역할을 가지는지에 대해 알아보고자 한다. 본 연구에서 소개하는 모델은 반영하고자 하는 선호도에 따라 다르게 학습되는 세 가 지 모델을 선호도와 비선호도를 모두 반영한 모델(CLEP-PN), 선호도만을 반영한 모델(CLEP-P), 비선호도만을 반영한 모델(CLEP-N)로 나뉜다. 본연구에서제안한각모델의훈련및평가를위해서설문조사를통해개인선호 도가 포함된 소량의 데이터셋을 구축하였다. 구축한 데이터셋에 대해 각 모델들의 평가 결과를 비교하여 음악 취향에서의 비선호도의 특징과 음악 추천 시스템에서 비선호도를 활용할 수 있는 가능성에 대해 추가로 조명한다. 또한, 음악 데이터로부터 특징을 추출하는 과정에서 사전 학습된 서로 다른 세 가지 모델을 이용하였으며, 특징 추출기와 무관하게 일관된 경향성의 결과를 보여 제안 방법의 안정성을 입증 하였다.