La pliiĝo de muzikfluaj servoj tute ŝanĝis kiel la nuna generacio de aŭskultantoj alproksimiĝas al muziko. Ne nur milionoj da kantoj disponeblas kontraŭ malgranda monata abonkotizo, sed algoritmoj aktive funkcias fone por liveri konstantan fluon de muziko personecigita laŭ via gusto.
Gvidas la muzikfluajn militojn la sveda kompanio Spotify. La platformo kreskis por amasigi pli ol 400 milionojn da monataj aktivaj uzantoj en 2022. Krom esti la plej granda laŭpeta muzikservo, Spotify konstante puŝas la limojn de AI kaj maŝinlernado en la kunteksto de muziko kaj muziko rekomendo.
Ludlistoj kiel Discover Weekly aŭ Daily Mix estas kreitaj uzante kompleksan sistemon de algoritmoj, kiuj provas kongrui kun artistoj kaj aŭskultantoj. Ĉi tiu artikolo lumigos kiel Spotify funkcias malantaŭ la scenoj. Ni plonĝos pri kiel ĉiuj ĉi tiuj algoritmoj funkcias kune por krei efikajn muzikajn prizorgajn servojn por uzantoj.
Kiel Spotify Rekomendas al Vi Aĵojn?
Spotify dependas de tio, kio estas konata kiel rekomenda sistemo. Ankaŭ konata kiel rekomendmotoro, la algoritmo kreas modelon por trovi kaj rekomendi koncernajn erojn al uzantoj. Spotify konstruis efikan rekomendan sistemon adaptitan por liveri personecigitajn ludlistojn kaj spurajn sugestojn al siaj uzantoj.
Ĉi tiu tipo de algoritmo estas preskaŭ ĉiea en nia ĉiutaga vivo. Rekomendsistemoj stiras la funkciojn, kiuj permesas al Amazon, Jutubo kaj Facebook doni al vi koncernan enhavon bazitan sur viaj pasintaj interagoj kun la app.
La rekomenda motoro de Spotify bezonas du reprezentojn ĝuste: la uzanto kaj la muziktrako mem.
Reprezentante Muzikaj Trakoj
Antaŭ ol Spotify povas sugesti muzikon al vi, ĝiaj algoritmoj devas havi iun kvantan manieron priskribi ĉiun el la milionoj da trakoj en sia datumbazo.
Krei profilon por ĉiu muziktrako estas interesa problemo en si mem. Spotify investis en multe da esplorado por trovi la plej bonajn modelojn por priskribi ĉiun diskon en sia katalogo.
Por trakti ĉi tiun problemon, Spotify uzas du ĉefajn metodojn por krei reprezenton: enhav-bazita filtrado kaj kunlabora filtrado.
Ni rigardu, kion faras ĉiu el ĉi tiuj metodoj kaj kiel ili funkcias kune por krei tutecan reprezenton de muziko.
Filtrado bazita en enhavo
Enhav-bazita filtrado celas priskribi ĉiun trakon ekzamenante la faktajn datenojn kaj metadatenojn de la trako.
Kiam artistoj alŝutas muzikon al la datumbazo de Spotify, ili devas disponigi la realan muzikdosieron mem, same kiel kromajn informojn aŭ metadatenojn. Metadatenoj inkludas la nomon de la kanto, la jaron kiam ĝi estis publikigita, la albumon de la trako, kaj eĉ la longon de la kanto mem.
Kiam Spotify ricevas ĉi tiujn dosierojn, ĝi povas rapide uzi la provizitajn metadatenojn por kategoriigi kantojn. Brita rok-unuopaĵo de 1989, ekzemple, povas esti metita en plurajn ludlistojn kiel ekzemple "Classic British Hits" aŭ eĉ "Rok-Kantoj de la 80-aj jaroj".
Kruda Aŭda Analizo
Tamen, Spotify iras paŝon plu kaj faras analizon sur la kruda sondosiero mem por akiri kelkajn kvantajn metrikojn de la trako. Se ni rigardu la Spotify API, ni povas vidi kelkajn el ĉi tiuj metrikoj.
Ekzemple, la API inkluzivas energian metrikon, kiu mezuras la "perceptan mezuron de intenseco kaj agado." Laŭ la dokumentaro, la metriko estas derivita de diversaj atributoj inkluzive de dinamika intervalo, perceptita laŭteco kaj sonkoloro. Uzante ĉi tiun metrikon, Spotify povas kategoriigi alt-energiajn kantojn kune kaj servi ilin kiel rekomendojn al uzantoj, kiuj aŭskultas altintensan muzikon.
Krom energio, Spotify ankaŭ determinas la vivecon de la aŭtoveturejo, metriko kiu detektas la ĉeeston de spektantaro en la registrado. Valence estas mezurado, kiu priskribas kiom pozitiva estas trako. Alta valenta sono indikas gajan kaj feliĉan muzikon, dum pli malalta valenta sono indikas malĝojan, deprimitan aŭ koleran muzikon.
Tempora Analizo
Spotify ankaŭ havas alian interesan analizan algoritmon, kiu priskribas la tempan strukturon de la aŭtoveturejo. Ununura trako estas dividita en malsamajn segmentojn: de sekcioj (refrenkoruso, ponto, instrumenta soloo), ĝis la individuaj taktoj mem. Vi povas kontroli kiel Spotify priskribas la strukturon de viaj plej ŝatataj kantoj uzante ĉi tion interreta ilo kiu sendas peton al la Spotify API.
Kombini la tempan analizon kun metriko kiel ekzemple energio kaj valento povas helpi reprezenti la trakon en pli nuancita maniero. Ni povas filtri tra kantoj, kiuj iom post iom pliiĝas en intenseco, aŭ trovi kantojn kiuj estas altenergiaj ĝis la tuta vojo.
Teksta Analizo
La rekomendilmotoro de Spotify ankaŭ ĉerpas semantikajn informojn de teksto rilata al la trako aŭ artisto per la uzo de naturaj informoj. modeloj pri lingvotraktado.
Kanttekstoj povas helpi pli kompreni la enhavon de la kanto. Eblas, ke Spotify serĉas eblajn ŝlosilvortojn aŭ sento-analizo dum kreado de novaj ludlistoj aŭ trakaj radioj.
La reto ankaŭ estas utila ilo por kompreni trakon aŭ artiston. Spotify regule faras interretajn skrapojn de interretaj amaskomunikiloj kaj muzikeldonaĵoj por determini kiel realaj homoj priskribas ĉiun aŭtoveturejon aŭ artiston.
Kunlabora Filtrado
Kunlabora filtrado rilatas al la aliro, kie vi povas filtri erojn, kiujn uzanto povus preferi, rigardante la kutimojn de similaj uzantoj.
Ekzemple, uzanto A povus ŝati artistojn X kaj Y, kaj alia Spotify-uzanto B ankaŭ ŝatas X kaj Y. Se uzanto B aŭskultas multajn kantojn de artisto Z, tiam eblas ke uzanto A ankaŭ ŝatus ilin.
Unu problemo kun kunlabora filtrado uzante ĉi tiun metodon estas, ke uzantoj ĝenerale havas pli diversan guston pri muziko. Eblas, ke artisto Z estas tute malsama ĝenro de artistoj X kaj Y.
Por kontraŭbatali ĉi tion, Spotify uzas varion de kunlabora filtrado, kiu esploras ludliston kaj aŭskultadon de sesioj kunokazoj. En pli simplaj esprimoj, trakoj kiuj tendencas esti en la sama ludlisto aŭ kantoj kiujn homoj aŭskultas en la sama sesio estas pli verŝajne similaj.
Spotify uzas ĉi tiun kunlaboran filtran metodon por grupigi kantojn en kategoriojn, kiuj eble ne estas ŝajnaj kiam oni analizas la enhavon de la kanto.
Priskribante Uzantan Guston
Ni nun havas bonan reprezenton, kiu priskribas trakon aŭ artiston. Kiel ni tiam trovas la ĝustajn uzantojn por rekomendi la kantojn?
Alia malfacila problemo, kiun Spotify devus solvi, estas kompreni la muzikan guston de siaj uzantoj.
Kiam vi unue kreas Spotify-konton, vi eble rimarkos, ke Spotify petos vin elekti kelkajn ĝenrojn aŭ artistojn, kiujn vi volas sekvi. Ĉi tio estas la unua paŝo por determini kian muzikon la uzanto volas aŭskulti.
Poste, la rekomenda motoro de Spotify kontrolas vian tutan aŭskultadon. Estas senco, ke Spotify servas al vi pli da klasikmuzikaj sugestoj se ĉio, kion vi serĉas, estas klasika muziko.
Tamen, aŭskulti trakon estas nur la plej baza signalo por konsideri. Spotify ankaŭ rigardas la kantojn, kiujn vi transsaltas, spurojn, kiujn vi konservas, kaj artistojn, kiujn vi sekvas. Ĉi tiuj specoj de interagoj estas eksplicitaj aŭ aktivaj religoj.
Krom tio, Spotify ankaŭ rigardas implicajn reagojn. Ĉi tio inkluzivas la longecon de la aŭskultado aŭ kiom ofte vi ripetas kanton.
Uzante ĉiujn ĉi tiujn interagojn, Spotify nun devus povi ekscii viajn preferojn laŭ ĝenro, humoro kaj epoko. La platformo ankaŭ povas antaŭdiri kian muzikon vi eble preferas je specifa horo de la tago aŭ tago de la semajno.
Spotify ankaŭ komprenas, ke uzantoj ofte evoluigas sian guston pri muziko laŭlonge de la tempo. Konsiderante ĉi tiun fakton, la rekomenda motoro de Spotify pli gravas sur lastatempa agado super historiaj datumoj.
konkludo
Kvankam platformoj kiel Apple Music havas pli disponeblajn kantojn, kaj servoj kiel TIDAL promesas altfidelecan sonon, Spotify daŭre regas la tutmondan merkatparton de muzikabonantoj. Parto de tiu sukceso estas la efikeco de ĝia rekomendsistemo, kiu estas produkto de pli ol jardeko da esplorado kaj ripeto.
La celo de la rekomendsistemo de Spotify estas provizi kontentigan sperton por uzantoj, kiu ebligos ilin pasigi longan tempon sur la platformo. Retenado de uzantoj estas ŝlosila metriko por sukceso kiam temas pri interretaj abonservoj kiel Spotify.
Laŭ Oskar Stal, VP pri personigo ĉe Spotify, la platformo celas "pliigi la kvanton de pli signifa audio en via vivo." Per la uzo de maŝinlernaj algoritmoj, Spotify kapablas liveri bonegajn rekomendojn al siaj uzantoj kaj helpi artistojn kreski kaj havi ŝancon esti aŭdita.
Lasi Respondon