Deep content-based music recommendation

如今deep learning越来越火热，用DL来做推荐的文章现在也是有些，像今天这篇音乐推荐相关的文章有好几篇，具体可参考Netflix的Xavier Amatriain大神在quora上的回答：http://www.quora.com/Has-there-been-any-work-on-using-deep-learning-for-recommendation-engines

这篇论文主要用于解决音乐推荐中的冷启动问题，使用隐因子模型，比较了bag of words和cnn的效果。一般来说协同过滤性能都要比基于内容的推荐效果好，但当面临冷启动问题时协同过滤就难以处理，而内容推荐就不会面临这个问题。

对音乐推荐来说，可以推荐与用户曾经听过的音乐类似的音乐，比较音乐间audio singal的相似性，这就是内容推荐在音乐中的应用。

而协同过滤有neighbor-based和model-based两类，model-based主要用于将user和item建模为隐因子表示，本文主要考虑的就是model-based的latent factor model。

当用audio singal表示音乐，并以此完成基于内容的推荐时，会面临semantic gap的问题。即低层的信号如何表示高层的流派、情绪、乐器、歌词风格等特征，这样会导致推荐效果较差。因此人们提出了一些人工的信号特征如MFCC等。大家都知道由于越来越火热的deep learning，使用人工特征的领域都可以考虑用deep learning代替，于是大量的文章开始从这方面入手开始灌水..本文也不能免俗（想不想吐槽？），以此提出了自己的创新点，即利用CNN预测mu