Recommender systems have become indispensable in music streaming services, enhancing user experiences by personalizing playlists and facilitating the serendipitous discovery of new music. However, the existing recommender systems overlook the unique challenges inherent in the music domain, specifically shuffle play, which provides subsequent tracks in a random sequence. Based on our observation that the shuffle play sessions hinder the overall training process of music recommender systems mainly due to the high unique transition rates of shuffle play sessions, we propose a Music Recommender System with Shuffle Play Recommendation Enhancement (MUSE). MUSE employs the self-supervised learning framework that maximizes the agreement between the original session and the augmented session, which is augmented by our novel session augmentation method, called transition-based augmentation. To further facilitate the alignment of the representations between the two views, we devise two fine-grained matching strategies, i.e., item- and similarity-based matching strategies. Through rigorous experiments conducted across diverse environments, we demonstrate MUSE’s efficacy over 12 baseline models on a large-scale Music Streaming Sessions Dataset (MSSD) from Spotify.
음악 스트리밍 서비스에서 추천시스템은 재생목록을 개인화하고 새로운 음악에 대한 뜻밖의 발견을 가능하게 하여 사용자 경험을 향상시키므로써 필수적인 요소로 자리 잡고 있다. 그러나 기존의 추천시스템들은 음악 분야만의 독특한 도전 과제, 특히 무작위 순서로 트랙을 재생하는 셔플 플레이를 간과하고 있다. 셔플플레이 세션은 높은 고유 전환율로 인해 음악 추천시스템의 전체적인 훈련 과정을 방해하는 것으로 관찰됨에 따라, 우리는 셔플 재생 추천이 향상된 음악 추천시스템 MUSE을 제안한다. MUSE은 원본 세션과 우리의 새로운 세션 확장 방법인 전환 기반 확장에 의한 확장된 세션 사이의 일치성을 극대화하는 자기 지도 학습 구조를 사용한다. 두 뷰 사이의 표상을 더욱 일치시키기 위해, 우리는 두 가지 세부적인 매칭 전략인 아이템 기반 매칭 전략과 유사성 기반 매칭 전략을 고안하였다. 다양한 환경에서의 엄격한 실험을 통해, 우리는 스포티파이로부터 공개된 대규모 음악 스트리밍 데이터셋에 12개의 기준 모델들을 비교하여 MUSE의 효과를 입증하였다.
