Recommandations personnalisées de livres audio sur Spotify grâce aux réseaux de neurones graphiques

Personalized Audiobook Recommendations at Spotify Through Graph Neural Networks

March 8, 2024

Auteurs: Marco De Nadai, Francesco Fabbri, Paul Gigioli, Alice Wang, Ang Li, Fabrizio Silvestri, Laura Kim, Shawn Lin, Vladan Radosavljevic, Sandeep Ghael, David Nyhan, Hugues Bouchard, Mounia Lalmas-Roelleke, Andreas Damianou

cs.AI

Résumé

Dans le paysage numérique en constante évolution de l'audio, Spotify, bien connu pour son contenu musical et de discussion, a récemment introduit des livres audio à sa vaste base d'utilisateurs. Bien que prometteuse, cette initiative présente des défis importants pour les recommandations personnalisées. Contrairement à la musique et aux podcasts, les livres audio, initialement disponibles moyennant un paiement, ne peuvent pas être facilement parcourus avant l'achat, ce qui augmente les enjeux liés à la pertinence des recommandations. De plus, l'introduction d'un nouveau type de contenu sur une plateforme existante se heurte à une extrême rareté des données, car la plupart des utilisateurs ne sont pas familiers avec ce nouveau type de contenu. Enfin, recommander du contenu à des millions d'utilisateurs nécessite que le modèle réagisse rapidement et soit évolutif. Pour relever ces défis, nous exploitons les préférences des utilisateurs en matière de podcasts et de musique et introduisons 2T-HGNN, un système de recommandation évolutif composé de réseaux de neurones graphiques hétérogènes (HGNN) et d'un modèle à deux tours (2T). Cette approche novatrice révèle des relations nuancées entre les éléments tout en garantissant une faible latence et une faible complexité. Nous découplons les utilisateurs du graphe HGNN et proposons un échantillonneur de voisins multi-liens innovant. Ces choix, associés au composant 2T, réduisent considérablement la complexité du modèle HGNN. Les évaluations empiriques impliquant des millions d'utilisateurs montrent une amélioration significative de la qualité des recommandations personnalisées, entraînant une augmentation de 46 % du taux de démarrage de nouveaux livres audio et une augmentation de 23 % des taux de streaming. Fait intéressant, l'impact de notre modèle s'étend au-delà des livres audio, bénéficiant également à des produits établis comme les podcasts.

English

In the ever-evolving digital audio landscape, Spotify, well-known for its music and talk content, has recently introduced audiobooks to its vast user base. While promising, this move presents significant challenges for personalized recommendations. Unlike music and podcasts, audiobooks, initially available for a fee, cannot be easily skimmed before purchase, posing higher stakes for the relevance of recommendations. Furthermore, introducing a new content type into an existing platform confronts extreme data sparsity, as most users are unfamiliar with this new content type. Lastly, recommending content to millions of users requires the model to react fast and be scalable. To address these challenges, we leverage podcast and music user preferences and introduce 2T-HGNN, a scalable recommendation system comprising Heterogeneous Graph Neural Networks (HGNNs) and a Two Tower (2T) model. This novel approach uncovers nuanced item relationships while ensuring low latency and complexity. We decouple users from the HGNN graph and propose an innovative multi-link neighbor sampler. These choices, together with the 2T component, significantly reduce the complexity of the HGNN model. Empirical evaluations involving millions of users show significant improvement in the quality of personalized recommendations, resulting in a +46% increase in new audiobooks start rate and a +23% boost in streaming rates. Intriguingly, our model's impact extends beyond audiobooks, benefiting established products like podcasts.