Índice del contenido[Esconder][Espectáculo]
El auge de los servicios de transmisión de música ha cambiado por completo la forma en que la generación actual de oyentes aborda la música. No solo hay millones de canciones disponibles por una pequeña tarifa de suscripción mensual, sino que los algoritmos funcionan activamente en segundo plano para ofrecer un flujo constante de música personalizada a su gusto.
Al frente de la guerra de la transmisión de música se encuentra la empresa sueca Spotify. La plataforma ha crecido hasta acumular más de 400 millones de usuarios activos mensuales en 2022. Además de ser el servicio de música a pedido más grande, Spotify supera constantemente los límites de la IA y máquina de aprendizaje en el contexto de la música y la recomendación musical.
Las listas de reproducción, como Discover Weekly o Daily Mix, se crean mediante un complejo sistema de algoritmos que intenta unir a artistas y oyentes. Este artículo arrojará luz sobre cómo funciona Spotify detrás de escena. Nos sumergiremos en cómo todos estos algoritmos funcionan juntos para crear servicios efectivos de selección de música para los usuarios.
¿Cómo Spotify te recomienda cosas?
Spotify se basa en lo que se conoce como un sistema de recomendación. También conocido como motor de recomendación, el algoritmo crea un modelo para encontrar y recomendar elementos relevantes a los usuarios. Spotify ha creado un sistema de recomendación eficaz diseñado para ofrecer listas de reproducción personalizadas y sugerencias de pistas a sus usuarios.
Este tipo de algoritmo es prácticamente omnipresente en nuestra vida diaria. Los sistemas de recomendación impulsan las funciones que permiten que Amazon, YouTube y Facebook le brinden contenido relevante en función de sus interacciones anteriores con la aplicación.
El motor de recomendación de Spotify necesita obtener dos representaciones correctas: el usuario y la pista de música en sí.
Representación de pistas de música
Antes de que Spotify pueda sugerirte música, sus algoritmos deben tener alguna forma cuantitativa de describir cada uno de los millones de pistas en su base de datos.
Crear un perfil para cada pista de música es un problema interesante en sí mismo. Spotify ha invertido en mucha investigación para encontrar los mejores modelos para describir cada registro en su catálogo.
Para abordar este problema, Spotify utiliza dos métodos principales para crear una representación: filtrado basado en contenido y filtrado colaborativo.
Veamos qué hace cada uno de estos métodos y cómo funcionan juntos para crear una representación holística de la música.
Filtrado basado en contenido
El filtrado basado en contenido tiene como objetivo describir cada pista mediante el examen de los datos y metadatos reales de la pista.
Cuando los artistas suben música a la base de datos de Spotify, deben proporcionar el archivo de música real, así como información o metadatos adicionales. Los metadatos incluyen el nombre de la canción, el año en que se lanzó, el álbum de la pista e incluso la duración de la canción.
Cuando Spotify recibe estos archivos, puede utilizar rápidamente los metadatos proporcionados para categorizar las canciones. Un sencillo de rock británico de 1989, por ejemplo, puede incluirse en varias listas de reproducción, como "Éxitos británicos clásicos" o incluso "Canciones de rock de los años 80".
Análisis de audio sin procesar
Sin embargo, Spotify va un paso más allá y realiza un análisis del archivo de audio sin procesar para obtener algunas métricas cuantitativas de la pista. Si echamos un vistazo a la API de Spotify, podemos ver algunas de estas métricas.
Por ejemplo, la API incluye una métrica de energía que mide la "medida perceptiva de intensidad y actividad". Según la documentación, la métrica se deriva de varios atributos, incluido el rango dinámico, el volumen percibido y el timbre. Usando esta métrica, Spotify puede categorizar canciones de alta energía y servirlas como recomendaciones para los usuarios que escuchan música de alta intensidad.
Además de la energía, Spotify también determina la vivacidad de la pista, una métrica que detecta la presencia de una audiencia en la grabación. La valencia es una medida que describe qué tan positiva es una pista. Un sonido de valencia alta indica música alegre y feliz, mientras que un sonido de valencia baja indica música triste, deprimida o enojada.
Análisis Temporal
Spotify también tiene otro algoritmo de análisis interesante que describe la estructura temporal de la pista. Una sola pista se divide en diferentes segmentos: desde secciones (coro, puente, solo instrumental) hasta los propios ritmos individuales. Puedes ver cómo Spotify describe la estructura de tus canciones favoritas usando este herramienta en línea que envía una solicitud a la API de Spotify.
La combinación del análisis temporal con métricas como la energía y la valencia puede ayudar a representar la pista con más matices. Podemos filtrar a través de canciones que aumentan gradualmente en intensidad, o encontrar canciones que tengan mucha energía en todo momento.
Análisis de texto
El motor de recomendación de Spotify también extrae información semántica del texto relacionado con la pista o el artista mediante el uso de natural modelos de procesamiento del lenguaje.
Las letras de las canciones pueden ayudar a comprender mejor el contenido de la canción. Es posible que Spotify busque posibles palabras clave o análisis de los sentimientos al crear nuevas listas de reproducción o rastrear radios.
La web también es una herramienta útil para entender una pista o un artista. Spotify realiza regularmente web scraping de medios de comunicación en línea y publicaciones musicales para determinar cómo las personas reales describen cada pista o artista.
Collaborative Filtering
El filtrado colaborativo se refiere al enfoque en el que puede filtrar elementos que un usuario podría preferir al observar los hábitos de usuarios similares.
Por ejemplo, al usuario A le pueden gustar los artistas X e Y, y a otro usuario B de Spotify también le gustan X e Y. Si el usuario B escucha muchas canciones del artista Z, entonces es posible que al usuario A también le gusten.
Un problema con el filtrado colaborativo que usa este método es que los usuarios generalmente tienen un gusto musical más diverso. Es posible que el artista Z sea un género completamente diferente al de los artistas X e Y.
Para combatir esto, Spotify utiliza una variación de filtrado colaborativo que analiza la concurrencia de la lista de reproducción y la sesión de escucha. En términos más simples, es más probable que las pistas que tienden a estar en la misma lista de reproducción o las canciones que la gente escucha en la misma sesión sean similares.
Spotify utiliza este enfoque de filtrado colaborativo para agrupar canciones en categorías que pueden no ser evidentes al analizar el contenido de la canción.
Describiendo el Gusto del Usuario
Ahora tenemos una buena representación que describe una pista o un artista. ¿Cómo encontramos entonces a los usuarios adecuados para recomendarles las canciones?
Otro problema desafiante que debería resolver Spotify es comprender el gusto musical de sus usuarios.
Cuando crea una cuenta de Spotify por primera vez, puede notar que Spotify le pedirá que seleccione algunos géneros o artistas que desea seguir. Este es el primer paso para determinar qué tipo de música quiere escuchar el usuario.
Posteriormente, el motor de recomendación de Spotify realiza un seguimiento de toda su actividad de escucha. Tiene sentido que Spotify le brinde más sugerencias de música clásica si todo lo que busca es música clásica.
Sin embargo, escuchar una pista es solo la señal más básica a considerar. Spotify también analiza las canciones que omites, las pistas que guardas y los artistas que sigues. Este tipo de interacciones son retroalimentación explícita o activa.
Además de eso, Spotify también analiza la retroalimentación implícita. Esto incluye la duración de la sesión de escucha o la frecuencia con la que repite una canción.
Usando todas estas interacciones, Spotify ahora debería poder descubrir sus preferencias en cuanto a género, estado de ánimo y época. La plataforma también puede predecir qué tipo de música podría preferir en un momento específico del día o día de la semana.
Spotify también entiende que los usuarios a menudo desarrollan su gusto por la música con el tiempo. Teniendo en cuenta este hecho, el motor de recomendación de Spotify pone más peso en la actividad reciente que en los datos históricos.
Conclusión
Aunque plataformas como Apple Music tienen más canciones disponibles y servicios como TIDAL prometen un sonido de alta fidelidad, Spotify sigue dominando la cuota de mercado global de suscriptores de música. Parte de ese éxito es la eficacia de su sistema de recomendación, que es producto de más de una década de investigación e iteración.
El objetivo del sistema de recomendaciones de Spotify es brindar una experiencia satisfactoria a los usuarios que les permita permanecer mucho tiempo en la plataforma. La retención de usuarios es una métrica clave para el éxito cuando se trata de servicios de suscripción en línea como Spotify.
Según Oskar Stal, vicepresidente de personalización de Spotify, la plataforma tiene como objetivo "aumentar la cantidad de audio más significativo en tu vida". Mediante el uso de algoritmos de aprendizaje automático, Spotify puede ofrecer excelentes recomendaciones a sus usuarios y ayudar a los artistas a crecer y tener la oportunidad de ser escuchados.
Deje un comentario