推荐系统是否促进本地音乐？一项基于音乐流媒体数据的可重复性研究
内容提要
研究表明，音乐推荐系统存在流行度偏见，导致不流行内容被低估。分析不同用户群体的推荐效果发现，低流行度群体的推荐效果最差。为解决这一问题，提出基于域感知和个体公平原则的方法，以改善小众内容的发现。此外，社交因素，如用户之间的音乐品味相似性和联系强度，对音乐推荐也有重要影响。
延伸解读
流行度偏见在音乐推荐中的表现
文章指出，音乐推荐系统普遍存在流行度偏见，即算法倾向于推荐流行物品，导致不流行内容被低估。研究将Abdollahpouri等人的分析扩展到音乐领域，发现推荐算法同样偏向流行物品。进一步比较不同流行度用户群体时，低流行度群体的推荐表现最差，说明个性化推荐可能加剧内容消费的不平等。
公平性改进方法的探索
为缓解流行度偏见，文章提到一种基于域感知和个体公平原则的方法，旨在改善对新的和小众内容的发现。该方法在基于图神经网络的音乐推荐系统中评估，冷启动设置下，在性能和推荐较不为人所知的内容方面优于现有的公平基准。此外，还有研究通过在嵌入空间中捕捉文化细微差别来减少流行度偏见，提高人群和文化的公平性。
社交因素对音乐发现的影响
文章强调社交因素在音乐推荐中的重要性。一项基于Spotify数据的研究发现，接收者与分享者的音乐品味相似、分享的歌曲适合接收者口味、接收者与分享者联系较强以及分享的艺术家受接收者关注，是接收者与新艺术家互动的重要要素。这些发现揭示了音乐发现和社会过程之间多方面机制的新见解。
推荐系统中的集体行动与外部性
文章还探讨了推荐系统中的算法集体行动。一项研究以粉丝群体为例，通过策略性地在现有播放列表中放置歌曲来提高艺术家可见性。在公开的推荐系统模型上测试发现，即使小规模集体（控制少于训练数据的0.01%）也能实现多达25倍的推荐放大。这种策略对平台性能损失微不足道，对其他歌曲推荐影响很小，成本在其他艺术家间均匀分配，表明集体行动可以既有效又不一定对抗。
Q&A
音乐推荐系统的流行度偏见是什么？
流行度偏见是指音乐推荐系统倾向于推荐流行的音乐作品，导致不流行的内容被低估。
低流行度群体在音乐推荐中面临什么问题？
低流行度群体的推荐效果最差，个性化推荐可能影响他们的内容消费多样性。
如何改善小众内容的发现？
可以通过基于域感知和个体公平原则的方法来改善小众内容的发现。
社交因素如何影响音乐推荐？
社交因素如用户之间的音乐品味相似性和联系强度，对音乐推荐有重要影响。
个性化推荐对用户参与度有什么影响？
个性化推荐可以增加用户参与度，但可能会影响内容消费的多样性。
推荐系统中如何解决冷启动问题？
通过分析用户的音乐消费行为，可以预测用户对新内容的偏好，从而解决冷启动问题。
