Uspon servisa za streaming muzike u potpunosti je promijenio način na koji sadašnja generacija slušatelja pristupa muzici. Ne samo da su milioni pjesama dostupni za malu mjesečnu pretplatu, algoritmi aktivno rade u pozadini kako bi isporučili stalan tok muzike personaliziran po vašem ukusu.
Vodeći ratove za streaming muzike je švedska kompanija Spotify. Platforma je narasla na više od 400 miliona aktivnih korisnika mjesečno u 2022. Osim što je najveća muzička usluga na zahtjev, Spotify stalno pomiče granice AI i mašinsko učenje u kontekstu muzike i muzičkih preporuka.
Plejliste kao što su Discover Weekly ili Daily Mix kreiraju se pomoću složenog sistema algoritama koji pokušavaju spojiti umjetnike i slušaoce zajedno. Ovaj će članak baciti svjetlo na to kako Spotify funkcionira iza kulisa. Uronit ćemo u to kako svi ovi algoritmi rade zajedno kako bi stvorili efikasne usluge kuriranja muzike za korisnike.
Kako vam Spotify preporučuje stvari?
Spotify se oslanja na ono što je poznato kao sistem preporuka. Poznat i kao mehanizam za preporuke, algoritam kreira model za pronalaženje i preporuku relevantnih stavki korisnicima. Spotify je izgradio efikasan sistem preporuka prilagođen za isporuku prilagođenih lista za reprodukciju i praćenje prijedloga svojim korisnicima.
Ovaj tip algoritma je praktički sveprisutan u našem svakodnevnom životu. Sistemi preporuka pokreću funkcije koje omogućavaju Amazonu, YouTubeu i Facebooku da vam daju relevantan sadržaj na osnovu vaših prošlih interakcija s aplikacijom.
Spotify-ov mehanizam za preporuke treba da dobije dva tačna prikaza: korisnika i samu muzičku numeru.
Predstavljanje muzičkih numera
Prije nego što vam Spotify može predložiti muziku, njegovi algoritmi moraju imati neki kvantitativni način opisivanja svake od miliona pjesama u svojoj bazi podataka.
Pravljenje profila za svaku muzičku numeru je samo po sebi zanimljiv problem. Spotify je uložio u mnoga istraživanja kako bi pronašao najbolje modele koji će opisati svaki zapis u svom katalogu.
Da bi se uhvatio u koštac s ovim problemom, Spotify koristi dvije glavne metode za kreiranje reprezentacije: filtriranje zasnovano na sadržaju i filtriranje u saradnji.
Pogledajmo šta svaka od ovih metoda radi i kako rade zajedno na stvaranju holističke reprezentacije muzike.
Filtriranje zasnovano na sadržaju
Filtriranje zasnovano na sadržaju ima za cilj da opiše svaku stazu ispitivanjem stvarnih podataka i metapodataka staze.
Kada umetnici otpremaju muziku u Spotify bazu podataka, oni moraju obezbediti samu stvarnu muzičku datoteku, kao i dodatne informacije ili metapodatke. Metapodaci uključuju naziv pjesme, godinu izdanja, album pjesme, pa čak i dužinu same pjesme.
Kada Spotify primi ove datoteke, može brzo koristiti dostavljene metapodatke za kategorizaciju pjesama. Britanski rok singl iz 1989. godine, na primjer, može se staviti na nekoliko plejlista kao što su “Classic British Hits” ili čak “Rock Songs from the 80s”.
Sirova audio analiza
Međutim, Spotify ide korak dalje i vrši analizu samog neobrađenog audio fajla kako bi dobio neke kvantitativne metrike iz numere. Ako pogledamo Spotify API, možemo vidjeti neke od ovih metrika.
Na primjer, API uključuje energetsku metriku koja mjeri "perceptivnu mjeru intenziteta i aktivnosti". Prema dokumentaciji, metrika je izvedena iz različitih atributa uključujući dinamički raspon, percipiranu glasnoću i tembar. Koristeći ovu metriku, Spotify može zajedno kategorizirati pjesme visoke energije i poslužiti ih kao preporuke korisnicima koji slušaju muziku visokog intenziteta.
Osim energije, Spotify određuje i živost numere, metriku koja detektuje prisustvo publike na snimku. Valencija je mjera koja opisuje koliko je staza pozitivna. Zvuk visoke valencije ukazuje na veselu i veselu muziku, dok zvuk niže valencije ukazuje na tužnu, depresivnu ili ljutu muziku.
Vremenska analiza
Spotify također ima još jedan zanimljiv analitički algoritam koji opisuje vremensku strukturu pjesme. Jedna numera je podijeljena na različite segmente: od dionica (refren, bridž, instrumentalni solo), do samih pojedinačnih taktova. Možete provjeriti kako Spotify opisuje strukturu vaših omiljenih pjesama koristeći ovo mrežni alat koji šalje zahtjev Spotify API-ju.
Kombinovanje vremenske analize sa metrikama kao što su energija i valencija može pomoći da se staza predstavi na nijansiraniji način. Možemo filtrirati pjesme koje se postepeno povećavaju ili pronaći pjesme koje su pune energije.
Analiza teksta
Spotifyov mehanizam za preporuke također izvlači semantičke informacije iz teksta koji se odnosi na pjesmu ili izvođača korištenjem prirodnih modeli obrade jezika.
Tekst pjesme može pomoći u daljnjem razumijevanju sadržaja pjesme. Moguće je da Spotify traži potencijalne ključne riječi ili analiza raspoloženja kada kreirate nove liste za reprodukciju ili numere radija.
Web je također koristan alat za razumijevanje pjesme ili izvođača. Spotify redovno vrši preglede internetskih medija i muzičkih publikacija kako bi utvrdio kako stvarni ljudi opisuju svaku pjesmu ili izvođača.
Kolaborativno filtriranje
Kolaborativno filtriranje odnosi se na pristup u kojem možete filtrirati stavke koje bi korisnik mogao preferirati gledajući navike sličnih korisnika.
Na primjer, korisniku A bi se mogli svidjeti umjetnici X i Y, a drugom korisniku Spotify B također se sviđaju X i Y. Ako korisnik B sluša mnogo pjesama izvođača Z, onda je moguće da bi se i korisniku A mogle svidjeti.
Jedan problem sa kolaborativnim filtriranjem pomoću ove metode je taj što korisnici općenito imaju raznolikiji ukus za muziku. Moguće je da je umjetnik Z potpuno drugačiji žanr od umjetnika X i Y.
Da bi se borio protiv ovoga, Spotify koristi varijaciju kolaborativnog filtriranja koja gleda u listu za reprodukciju i istovremeno pojavljivanje sesije slušanja. Jednostavnije rečeno, vjerovatnije je da će pjesme koje se nalaze na istoj listi za reprodukciju ili pjesme koje ljudi slušaju u istoj sesiji biti slične.
Spotify koristi ovaj pristup zajedničkog filtriranja da grupiše pjesme u kategorije koje možda neće biti vidljive prilikom analize sadržaja pjesme.
Opisivanje ukusa korisnika
Sada imamo dobru reprezentaciju koja opisuje numeru ili izvođača. Kako onda pronaći prave korisnike kojima bismo preporučili pjesme?
Još jedan izazovan problem koji bi Spotify trebao riješiti je razumijevanje muzičkog ukusa svojih korisnika.
Kada prvi put kreirate Spotify nalog, možda ćete primijetiti da će Spotify od vas tražiti da odaberete nekoliko žanrova ili izvođača koje želite pratiti. Ovo je prvi korak u određivanju vrste muzike koju korisnik želi da sluša.
Nakon toga, Spotify-ov mehanizam za preporuke prati vašu cjelokupnu aktivnost slušanja. Ima smisla da vam Spotify ponudi više prijedloga klasične muzike ako je sve što tražite klasična muzika.
Međutim, slušanje pjesme je samo najosnovniji signal koji treba uzeti u obzir. Spotify takođe razmatra pesme koje preskačete, numere koje sačuvate i izvođače koje pratite. Ove vrste interakcija su eksplicitne ili aktivne povratne informacije.
Povrh toga, Spotify također razmatra implicitne povratne informacije. Ovo uključuje dužinu sesije slušanja ili koliko često ponavljate pjesmu.
Koristeći sve ove interakcije, Spotify bi sada trebao biti u mogućnosti da sazna vaše preferencije u žanru, raspoloženju i eri. Platforma takođe može predvideti koju vrstu muzike biste preferirali u određeno doba dana ili dana u nedelji.
Spotify takođe shvata da korisnici često razvijaju svoj ukus za muziku tokom vremena. Uzimajući u obzir ovu činjenicu, Spotify mehanizam za preporuke daje veću težinu nedavnim aktivnostima u odnosu na istorijske podatke.
zaključak
Iako platforme kao što je Apple Music imaju više dostupnih pjesama, a usluge poput TIDAL-a obećavaju zvuk visoke vjernosti, Spotify nastavlja da dominira globalnim tržišnim udjelom muzičkih pretplatnika. Deo tog uspeha je i efikasnost njegovog sistema preporuka, koji je proizvod više od decenije istraživanja i ponavljanja.
Cilj Spotify-ovog sistema preporuka je da korisnicima pruži zadovoljavajuće iskustvo koje će im omogućiti da dugo vremena provedu na platformi. Zadržavanje korisnika je ključna metrika za uspjeh kada su u pitanju usluge pretplate na mreži kao što je Spotify.
Prema Oskaru Stalu, potpredsjedniku personalizacije u Spotifyju, platforma ima za cilj "povećati količinu smislenijeg zvuka u vašem životu". Kroz upotrebu Algoritmi mašinskog učenja, Spotify je u mogućnosti da svojim korisnicima pruži odlične preporuke i pomogne umjetnicima da rastu i imaju priliku da budu saslušani.
Ostavite odgovor