ترجمه فارسی مقاله آیا سیستم‌های توصیه‌کننده موسیقی محلی را ترویج می‌کنند؟ مطالعه تکرارپذیری با استفاده از داده های جریان موسیقی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Do Recommender Systems Promote Local Music? A Reproducibility Study Using Music Streaming Data
عنوان مقاله به فارسی آیا سیستم‌های توصیه‌کننده موسیقی محلی را ترویج می‌کنند؟ مطالعه تکرارپذیری با استفاده از داده های جریان موسیقی
نویسندگان Kristina Matrosova, Lilian Marey, Guillaume Salha-Galvan, Thomas Louail, Olivier Bodini, Manuel Moussallam
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Information Retrieval,Databases,Human-Computer Interaction,Machine Learning,بازیابی اطلاعات , بانکهای اطلاعاتی , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات Submitted 29 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 29 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper examines the influence of recommender systems on local music representation, discussing prior findings from an empirical study on the LFM-2b public dataset. This prior study argued that different recommender systems exhibit algorithmic biases shifting music consumption either towards or against local content. However, LFM-2b users do not reflect the diverse audience of music streaming services. To assess the robustness of this study's conclusions, we conduct a comparative analysis using proprietary listening data from a global music streaming service, which we publicly release alongside this paper. We observe significant differences in local music consumption patterns between our dataset and LFM-2b, suggesting that caution should be exercised when drawing conclusions on local music based solely on LFM-2b. Moreover, we show that the algorithmic biases exhibited in the original work vary in our dataset, and that several unexplored model parameters can significantly influence these biases and affect the study's conclusion on both datasets. Finally, we discuss the complexity of accurately labeling local music, emphasizing the risk of misleading conclusions due to unreliable, biased, or incomplete labels. To encourage further research and ensure reproducibility, we have publicly shared our dataset and code.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی تأثیر سیستم های پیشنهادی در نمایندگی موسیقی محلی ، بحث در مورد یافته های قبلی از یک مطالعه تجربی در مجموعه داده های عمومی LFM-2B می پردازیم.این مطالعه قبلی استدلال می کند که سیستم های پیشنهادی مختلف تعصب الگوریتمی را که مصرف موسیقی را به سمت یا در برابر محتوای محلی تغییر می دهد ، نشان می دهند.با این حال ، کاربران LFM-2B مخاطبان متنوع خدمات پخش موسیقی را منعکس نمی کنند.برای ارزیابی استحکام نتیجه گیری این مطالعه ، ما با استفاده از داده های گوش دادن اختصاصی از یک سرویس پخش موسیقی جهانی ، که به طور عمومی در کنار این مقاله منتشر می کنیم ، یک تحلیل مقایسه ای انجام می دهیم.ما در الگوهای مصرف موسیقی محلی بین مجموعه داده های خود و LFM-2B تفاوت های قابل توجهی مشاهده می کنیم ، نشان می دهد که هنگام نتیجه گیری در مورد موسیقی محلی فقط بر اساس LFM-2B باید احتیاط کرد.علاوه بر این ، ما نشان می دهیم که تعصبات الگوریتمی به نمایش گذاشته شده در کار اصلی در مجموعه داده های ما متفاوت است ، و اینکه چندین پارامتر مدل ناشناخته می توانند به طور قابل توجهی بر این تعصبات تأثیر بگذارند و بر نتیجه گیری مطالعه در هر دو مجموعه داده تأثیر بگذارند.سرانجام ، ما در مورد پیچیدگی برچسب زدن دقیق موسیقی محلی ، با تأکید بر خطر نتیجه گیری گمراه کننده به دلیل برچسب های غیرقابل اعتماد ، مغرضانه یا ناقص ، بحث می کنیم.برای تشویق تحقیقات بیشتر و اطمینان از تکرارپذیری ، ما مجموعه داده و کد خود را به اشتراک گذاشته ایم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.