Indholdsfortegnelse[Skjule][At vise]
Fremkomsten af musikstreamingtjenester har fuldstændig ændret, hvordan den nuværende generation af lyttere nærmer sig musik. Ikke alene er millioner af sange tilgængelige for et lille månedligt abonnementsgebyr, algoritmer arbejder aktivt i baggrunden for at levere en konstant strøm af musik, der er tilpasset din smag.
Førende i musikstreaming-krigene er det svensk-baserede selskab Spotify. Platformen er vokset til at samle over 400 millioner månedlige aktive brugere i 2022. Udover at være den største on-demand musiktjeneste, rykker Spotify konstant grænserne for AI og machine learning i forbindelse med musik og musikanbefaling.
Playlister såsom Discover Weekly eller Daily Mix er oprettet ved hjælp af et komplekst system af algoritmer, der forsøger at matche kunstnere og lyttere sammen. Denne artikel vil kaste lys over, hvordan Spotify fungerer bag kulisserne. Vi vil dykke ned i, hvordan alle disse algoritmer arbejder sammen for at skabe en effektiv musikkuratørtjeneste for brugerne.
Hvordan anbefaler Spotify dig ting?
Spotify er afhængig af det, der er kendt som et anbefalingssystem. Algoritmen, også kendt som en anbefalingsmotor, opretter en model til at finde og anbefale relevante elementer til brugerne. Spotify har bygget et effektivt anbefalingssystem, der er skræddersyet til at levere tilpassede afspilningslister og sporforslag til sine brugere.
Denne type algoritme er praktisk talt allestedsnærværende i vores daglige liv. Anbefalingssystemer driver de funktioner, der gør det muligt for Amazon, YouTube og Facebook at give dig relevant indhold baseret på dine tidligere interaktioner med appen.
Spotifys anbefalermotor skal have to repræsentationer rigtige: brugeren og selve musiknummeret.
Repræsenterer musiknumre
Før Spotify kan foreslå musik til dig, skal dets algoritmer have en kvantitativ måde at beskrive hvert af de millioner af numre i deres database på.
At oprette en profil for hvert musiknummer er et interessant problem i sig selv. Spotify har investeret i masser af forskning for at finde de bedste modeller til at beskrive hver post i sit katalog.
For at løse dette problem bruger Spotify to hovedmetoder til at skabe en repræsentation: indholdsbaseret filtrering og kollaborativ filtrering.
Lad os se på, hvad hver af disse metoder gør, og hvordan de arbejder sammen for at skabe en holistisk repræsentation af musik.
Indholdsbaseret filtrering
Indholdsbaseret filtrering har til formål at beskrive hvert spor ved at undersøge sporets faktiske data og metadata.
Når kunstnere uploader musik til Spotifys database, skal de oplyse selve musikfilen samt yderligere information eller metadata. Metadata inkluderer navnet på sangen, det år, den blev udgivet, nummerets album og endda længden af selve sangen.
Når Spotify modtager disse filer, kan den hurtigt bruge de medfølgende metadata til at kategorisere sange. En britisk rocksingle fra 1989 kan for eksempel lægges ind på flere playlister såsom "Classic British Hits" eller endda "Rock Songs from the 80s".
Rå lydanalyse
Spotify går dog et skridt videre og udfører en analyse på selve den rå lydfil for at få nogle kvantitative målinger fra sporet. Hvis vi tager et kig på Spotify API, kan vi se et par af disse målinger.
For eksempel inkluderer API'en en energimåling, der måler det "perceptuelle mål for intensitet og aktivitet." Ifølge dokumentationen er metrikken afledt af forskellige attributter, herunder dynamisk område, opfattet lydstyrke og klang. Ved at bruge denne metric kan Spotify kategorisere højenergisange sammen og tjene dem som anbefalinger til brugere, der lytter til højintensitetsmusik.
Udover energi bestemmer Spotify også sporets livlighed, en metrik, der registrerer tilstedeværelsen af et publikum i optagelsen. Valens er et mål, der beskriver, hvor positivt et spor er. En høj valenslyd indikerer munter og glad musik, mens en lavere valenslyd indikerer trist, deprimeret eller vred musik.
Tidsmæssig analyse
Spotify har også en anden interessant analysealgoritme, der beskriver sporets tidsmæssige struktur. Et enkelt nummer er opdelt i forskellige segmenter: fra sektioner (kor, bridge, instrumental solo) til de enkelte beats selv. Du kan se, hvordan Spotify beskriver strukturen af dine yndlingssange ved at bruge dette online-værktøj der sender en anmodning til Spotify API.
Kombination af den tidsmæssige analyse med målinger som energi og valens kan hjælpe med at repræsentere sporet på en mere nuanceret måde. Vi kan filtrere gennem sange, der gradvist bygges op i intensitet, eller finde sange, der er højenergiske hele vejen igennem.
Tekstanalyse
Spotifys anbefalingsmaskine udtrækker også semantisk information fra tekst relateret til nummeret eller kunstneren ved brug af naturlig sprogbehandlingsmodeller.
Sangtekster kan hjælpe med at forstå indholdet af sangen yderligere. Det er muligt, at Spotify søger efter potentielle søgeord eller følelser analyse når du opretter nye afspilningslister eller sporradioer.
Internettet er også et nyttigt værktøj til at forstå et nummer eller en kunstner. Spotify udfører regelmæssigt web-skraber af onlinemedier og musikpublikationer for at bestemme, hvordan rigtige mennesker beskriver hvert nummer eller kunstner.
Samarbejdsfiltrering
Kollaborativ filtrering refererer til den tilgang, hvor du kan bortfiltrere elementer, som en bruger måske foretrækker, ved at se på lignende brugeres vaner.
For eksempel kan bruger A kunne lide kunstnerne X og Y, og en anden Spotify-bruger B kan også lide X og Y. Hvis bruger B lytter til mange sange fra kunstner Z, så er det muligt, at bruger A også kan lide dem.
Et problem med kollaborativ filtrering ved hjælp af denne metode er, at brugere generelt har en mere forskelligartet musiksmag. Det er muligt, at kunstner Z er en helt anden genre end kunstnerne X og Y.
For at bekæmpe dette bruger Spotify en variation af kollaborativ filtrering, der ser på afspilningslister og samtidige lyttesessioner. I enklere vendinger er der større sandsynlighed for, at numre, der plejer at være på den samme spilleliste eller sange, som folk lytter til i samme session, ligner hinanden.
Spotify bruger denne kollaborative filtreringstilgang til at gruppere sange i kategorier, som måske ikke er tydelige, når man analyserer sangens indhold.
Beskriver brugersmag
Vi har nu en god repræsentation, der beskriver et nummer eller en kunstner. Hvordan finder vi så de rigtige brugere at anbefale sangene til?
Et andet udfordrende problem, som Spotify bør løse, er at forstå brugernes musiksmag.
Når du først opretter en Spotify-konto, vil du muligvis bemærke, at Spotify vil bede dig om at vælge nogle få genrer eller kunstnere, som du vil følge. Dette er det første skridt i at bestemme, hvilken type musik brugeren ønsker at lytte til.
Bagefter holder Spotifys anbefalingsmotor styr på hele din lytteaktivitet. Det giver mening for Spotify at give dig flere forslag til klassisk musik, hvis alt du søger efter er klassisk musik.
Men at lytte til et spor er bare det mest grundlæggende signal at overveje. Spotify ser også på de sange, du springer over, numre, du gemmer, og kunstnere, du følger. Disse typer af interaktioner er eksplicit eller aktiv feedback.
Derudover kigger Spotify også på implicit feedback. Dette inkluderer længden af lyttesessionen eller hvor ofte du gentager en sang.
Ved at bruge alle disse interaktioner skulle Spotify nu være i stand til at finde ud af dine præferencer i genre, humør og æra. Platformen kan også forudsige, hvilken type musik du måske foretrækker på et bestemt tidspunkt på dagen eller ugedagen.
Spotify forstår også, at brugere ofte udvikler deres musiksmag over tid. I betragtning af denne kendsgerning lægger Spotify-anbefalingsmotoren mere vægt på den seneste aktivitet i forhold til historiske data.
Konklusion
Selvom platforme som Apple Music har flere tilgængelige sange, og tjenester som TIDAL lover high-fidelity-lyd, fortsætter Spotify med at dominere den globale markedsandel for musikabonnenter. En del af denne succes er effektiviteten af dets anbefalingssystem, som er et produkt af mere end ti års forskning og iteration.
Målet med Spotifys anbefalingssystem er at give en tilfredsstillende oplevelse for brugerne, der gør dem i stand til at bruge lang tid på platformen. Brugerfastholdelse er en nøglefaktor for succes, når det kommer til online abonnementstjenester såsom Spotify.
Ifølge Oskar Stal, VP for personalisering hos Spotify, sigter platformen mod at "øge mængden af mere meningsfuld lyd i dit liv." Gennem brug af maskinlæringsalgoritmer, Spotify er i stand til at levere gode anbefalinger til sine brugere og hjælpe kunstnere med at vokse og få mulighed for at blive hørt.
Giv en kommentar