Taula de continguts[Amaga][Espectacle]
L'auge dels serveis de reproducció de música ha canviat completament la manera com l'actual generació d'oients s'apropa a la música. No només hi ha milions de cançons disponibles per una petita quota de subscripció mensual, sinó que els algorismes treballen activament en segon pla per oferir un flux constant de música personalitzat al vostre gust.
L'empresa sueca Spotify lidera les guerres de reproducció de música. La plataforma ha crescut fins a acumular més de 400 milions d'usuaris actius mensuals el 2022. A més de ser el servei de música sota demanda més gran, Spotify avança constantment els límits de l'IA i màquina d'aprenentatge en el context de la música i la recomanació musical.
Les llistes de reproducció com Discover Weekly o Daily Mix es creen mitjançant un complex sistema d'algorismes que intenten fer coincidir artistes i oients. Aquest article il·luminarà com funciona Spotify entre bastidors. Aprofundirem en com funcionen tots aquests algorismes per crear un servei de cura de música eficaç per als usuaris.
Com et recomana Spotify coses?
Spotify es basa en el que es coneix com a sistema de recomanació. També conegut com a motor de recomanació, l'algoritme crea un model per trobar i recomanar elements rellevants als usuaris. Spotify ha creat un sistema de recomanació eficaç dissenyat per oferir llistes de reproducció personalitzades i suggeriments de pistes als seus usuaris.
Aquest tipus d'algorisme és pràcticament omnipresent a la nostra vida quotidiana. Els sistemes de recomanació impulsen les funcions que permeten a Amazon, YouTube i Facebook oferir-vos contingut rellevant en funció de les vostres interaccions anteriors amb l'aplicació.
El motor de recomanació de Spotify ha d'aconseguir dues representacions correctes: l'usuari i la pròpia pista de música.
Representació de pistes musicals
Abans que Spotify et pugui suggerir música, els seus algorismes han de tenir alguna manera quantitativa de descriure cadascun dels milions de pistes de la seva base de dades.
Crear un perfil per a cada pista de música és un problema interessant en si mateix. Spotify ha invertit en moltes investigacions per trobar els millors models per descriure cada disc del seu catàleg.
Per fer front a aquest problema, Spotify utilitza dos mètodes principals per crear una representació: el filtratge basat en contingut i el filtrat col·laboratiu.
Vegem què fa cadascun d'aquests mètodes i com funcionen junts per crear una representació holística de la música.
Filtrat basat en contingut
El filtratge basat en contingut té com a objectiu descriure cada pista mitjançant l'examen de les dades i metadades reals de la pista.
Quan els artistes carreguen música a la base de dades de Spotify, han de proporcionar el propi fitxer de música real, així com informació o metadades addicionals. Les metadades inclouen el nom de la cançó, l'any en què es va publicar, l'àlbum de la cançó i fins i tot la durada de la cançó en si.
Quan Spotify rep aquests fitxers, pot utilitzar ràpidament les metadades proporcionades per categoritzar les cançons. Un senzill de rock britànic de 1989, per exemple, es pot incloure en diverses llistes de reproducció com "Classic British Hits" o fins i tot "Rock Songs from the 80s".
Anàlisi d'àudio en brut
Tanmateix, Spotify fa un pas més enllà i realitza una anàlisi del propi fitxer d'àudio en brut per obtenir algunes mètriques quantitatives de la pista. Si fem un cop d'ull al API de Spotify, podem veure algunes d'aquestes mètriques.
Per exemple, l'API inclou una mètrica d'energia que mesura la "mesura perceptiva d'intensitat i activitat". Segons la documentació, la mètrica es deriva de diversos atributs, com ara el rang dinàmic, la sonoritat percebuda i el timbre. Amb aquesta mètrica, Spotify pot classificar les cançons d'alta energia juntes i servir-les com a recomanacions als usuaris que escolten música d'alta intensitat.
A més de l'energia, Spotify també determina la vivacitat del tema, una mètrica que detecta la presència d'un públic a l'enregistrament. La valència és una mesura que descriu com de positiva és una pista. Un so de valència alta indica música alegre i alegre, mentre que un so de valència més baixa indica música trista, deprimida o enfadada.
Anàlisi temporal
Spotify també té un altre algorisme d'anàlisi interessant que descriu l'estructura temporal de la pista. Una única pista es divideix en diferents segments: des de seccions (cor, pont, sol instrumental), fins als propis ritmes individuals. Podeu comprovar com Spotify descriu l'estructura de les vostres cançons preferides fent servir això eina en línia que envia una sol·licitud a l'API de Spotify.
La combinació de l'anàlisi temporal amb mètriques com l'energia i la valència pot ajudar a representar la pista d'una manera més matisada. Podem filtrar cançons que s'acumulen gradualment en intensitat, o trobar cançons que tinguin molta energia durant tot el recorregut.
Anàlisi de text
El motor de recomanació de Spotify també extreu informació semàntica del text relacionat amb la pista o l'artista mitjançant l'ús de recursos naturals. models de processament del llenguatge.
La lletra de la cançó pot ajudar a entendre millor el contingut de la cançó. És possible que Spotify cerqui paraules clau potencials o anàlisi del sentiment quan creeu noves llistes de reproducció o pistes de ràdio.
El web també és una eina útil per entendre una cançó o un artista. Spotify realitza regularment scraps web de mitjans de comunicació en línia i publicacions musicals per determinar com les persones reals descriuen cada cançó o artista.
Filtrat col·laboratiu
El filtratge col·laboratiu fa referència a l'enfocament en què podeu filtrar els elements que un usuari podria preferir mirant els hàbits d'usuaris similars.
Per exemple, a l'usuari A li poden agradar els artistes X i Y, i a un altre usuari de Spotify B també li agraden X i Y. Si l'usuari B escolta moltes cançons de l'artista Z, és possible que també li agradin a l'usuari A.
Un dels problemes amb el filtratge col·laboratiu amb aquest mètode és que els usuaris generalment tenen un gust més divers per a la música. És possible que l'artista Z sigui un gènere completament diferent dels artistes X i Y.
Per combatre-ho, Spotify utilitza una variació de filtratge col·laboratiu que analitza la co-ocurrència de la llista de reproducció i la sessió d'escolta. En termes més senzills, és més probable que les cançons que acostumen a estar a la mateixa llista de reproducció o les cançons que la gent escolten a la mateixa sessió siguin semblants.
Spotify utilitza aquest enfocament de filtratge col·laboratiu per agrupar cançons en categories que poden no ser evidents quan s'analitza el contingut de la cançó.
Descrivint el gust de l'usuari
Ara tenim una bona representació que descriu una pista o un artista. Com podem trobar els usuaris adequats per recomanar les cançons?
Un altre problema difícil que Spotify hauria de resoldre és entendre el gust musical dels seus usuaris.
Quan creeu un compte d'Spotify per primera vegada, és possible que observeu que Spotify us demanarà que seleccioneu alguns gèneres o artistes que voleu seguir. Aquest és el primer pas per determinar quin tipus de música vol escoltar l'usuari.
Després, el motor de recomanació de Spotify fa un seguiment de tota la vostra activitat d'escolta. Té sentit que Spotify us ofereixi més suggeriments de música clàssica si tot el que cerqueu és música clàssica.
Tanmateix, escoltar una cançó és només el senyal més bàsic a tenir en compte. Spotify també analitza les cançons que salteu, les pistes que deseu i els artistes que seguiu. Aquest tipus d'interaccions són comentaris explícits o actius.
A més, Spotify també analitza els comentaris implícits. Això inclou la durada de la sessió d'escolta o la freqüència amb què repeteixes una cançó.
Amb totes aquestes interaccions, Spotify ara hauria de poder esbrinar les vostres preferències pel que fa al gènere, l'estat d'ànim i l'època. La plataforma també pot predir quin tipus de música preferiu a una hora específica del dia o dia de la setmana.
Spotify també entén que els usuaris sovint desenvolupen el seu gust per la música amb el temps. Tenint en compte aquest fet, el motor de recomanació de Spotify dóna més pes a l'activitat recent que a les dades històriques.
Conclusió
Tot i que plataformes com Apple Music tenen més cançons disponibles i serveis com TIDAL prometen un so d'alta fidelitat, Spotify continua dominant la quota de mercat global dels subscriptors de música. Part d'aquest èxit és l'eficàcia del seu sistema de recomanacions, que és producte de més d'una dècada d'investigació i iteració.
L'objectiu del sistema de recomanacions de Spotify és oferir una experiència satisfactòria als usuaris que els permeti passar molt de temps a la plataforma. La retenció d'usuaris és una mètrica clau per a l'èxit quan es tracta de serveis de subscripció en línia com Spotify.
Segons Oskar Stal, vicepresident de personalització a Spotify, la plataforma pretén "augmentar la quantitat d'àudio més significatiu a la teva vida". Mitjançant l'ús de algorismes d'aprenentatge automàtic, Spotify és capaç d'oferir grans recomanacions als seus usuaris i ajudar els artistes a créixer i tenir l'oportunitat de ser escoltats.
Deixa un comentari