研究人员开发了一种通过分析声学分布来推断音乐艺术家之间专家评论家来源的网络邻近性的方法。该方法使用声学描述符上的最优传输距离来模拟成对邻近性，实现了 0.767 的样本外 AUC。这些边的可恢复性随着评论共识的增加而增加，表明评论话语为音乐推荐和研究提供了可复现的“声音核心”和“社会学剩余”。 AI
影响 通过分析声学特征引入了一种新颖的音乐推荐方法，可能改善冷启动场景。
排序理由 学术论文发布在 arXiv 上，详细介绍了一种新方法。[lever_c_demoted from research: ic=1 ai=0.7]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.27291v1 Announce Type: new Abstract: Music recommendation relies primarily on two signals: user-item interactions, which fail in the cold-start regime, and intrinsic musical content, available for any recording. We argue that a third, largely untapped signal is both ri…