O auxe dos servizos de transmisión de música cambiou completamente a forma en que a xeración actual de oíntes se achega á música. Non só hai millóns de cancións dispoñibles por unha pequena taxa de subscrición mensual, os algoritmos traballan activamente en segundo plano para ofrecer un fluxo constante de música personalizado ao teu gusto.
Liderando as guerras de transmisión de música está a compañía sueca Spotify. A plataforma creceu ata acumular máis de 400 millóns de usuarios activos mensuais en 2022. Ademais de ser o maior servizo de música baixo demanda, Spotify supera constantemente os límites da intelixencia artificial e aprendizaxe de máquina no contexto da música e da recomendación musical.
Listas de reprodución como Discover Weekly ou Daily Mix créanse mediante un complexo sistema de algoritmos que tentan facer coincidir artistas e oíntes. Este artigo iluminará como funciona Spotify entre bastidores. Afondaremos en como todos estes algoritmos funcionan xuntos para crear servizos de comisariado musical efectivos para os usuarios.
Como che recomenda Spotify cousas?
Spotify depende do que se coñece como sistema de recomendación. Tamén coñecido como motor de recomendación, o algoritmo crea un modelo para atopar e recomendar elementos relevantes aos usuarios. Spotify creou un sistema de recomendación eficaz adaptado para ofrecer listas de reprodución personalizadas e suxestións de pistas aos seus usuarios.
Este tipo de algoritmo é practicamente omnipresente na nosa vida diaria. Os sistemas de recomendación impulsan as funcións que permiten a Amazon, YouTube e Facebook ofrecerche contido relevante en función das túas interaccións pasadas coa aplicación.
O motor de recomendación de Spotify necesita obter dúas representacións correctas: o usuario e a propia pista de música.
Representación de pistas musicais
Antes de que Spotify che poida suxerir música, os seus algoritmos deben ter algún xeito cuantitativo de describir cada un dos millóns de cancións da súa base de datos.
Crear un perfil para cada pista musical é un problema interesante en si mesmo. Spotify investiu en moitas investigacións para atopar os mellores modelos para describir cada disco do seu catálogo.
Para solucionar este problema, Spotify usa dous métodos principais para crear unha representación: filtrado baseado en contido e filtrado colaborativo.
Vexamos o que fai cada un destes métodos e como traballan xuntos para crear unha representación holística da música.
Filtrado baseado en contidos
O filtrado baseado no contido ten como obxectivo describir cada pista examinando os datos e metadatos reais da pista.
Cando os artistas cargan música na base de datos de Spotify, deben proporcionar o propio ficheiro de música, así como información adicional ou metadatos. Os metadatos inclúen o nome da canción, o ano en que se publicou, o álbum da canción e mesmo a duración da propia canción.
Cando Spotify recibe estes ficheiros, pode usar rapidamente os metadatos proporcionados para categorizar as cancións. Un sinxelo de rock británico de 1989, por exemplo, pode incluírse en varias listas de reprodución como "Classic British Hits" ou mesmo "Rock Songs from the 80s".
Análise de audio bruto
Non obstante, Spotify dá un paso máis aló e realiza unha análise sobre o propio ficheiro de audio en bruto para obter algunhas métricas cuantitativas da pista. Se botamos un ollo ao API de Spotify, podemos ver algunhas destas métricas.
Por exemplo, a API inclúe unha métrica de enerxía que mide a "medida perceptiva da intensidade e da actividade". Segundo a documentación, a métrica deriva de varios atributos, incluíndo o rango dinámico, a sonoridade percibida e o timbre. Usando esta métrica, Spotify pode categorizar cancións de alta enerxía e servirlles como recomendacións aos usuarios que escoitan música de alta intensidade.
Ademais da enerxía, Spotify tamén determina a vivacidade do tema, unha métrica que detecta a presenza dun público na gravación. A valencia é unha medida que describe o positivo que é unha pista. Un son de valencia alta indica música alegre e feliz, mentres que un son de valencia máis baixa indica música triste, deprimida ou enfadada.
Análise Temporal
Spotify tamén ten outro algoritmo de análise interesante que describe a estrutura temporal da pista. Unha única pista divídese en diferentes segmentos: desde seccións (estribillo, ponte, solo instrumental) ata os propios ritmos individuais. Podes ver como Spotify describe a estrutura das túas cancións favoritas usando isto ferramenta en liña que envía unha solicitude á API de Spotify.
A combinación da análise temporal con métricas como a enerxía e a valencia pode axudar a representar a pista dun xeito máis matizado. Podemos filtrar cancións que van aumentando gradualmente en intensidade ou atopar cancións con moita enerxía.
Análise de texto
O motor de recomendación de Spotify tamén extrae información semántica do texto relacionado coa canción ou artista mediante o uso de modelos de procesamento da linguaxe.
As letras das cancións poden axudar a comprender mellor o contido da canción. É posible que Spotify busque palabras clave potenciais ou análise de sentimentos ao crear novas listas de reprodución ou pistas de radio.
A web tamén é unha ferramenta útil para comprender un tema ou un artista. Spotify realiza regularmente scrapes web de medios en liña e publicacións musicais para determinar como as persoas reais describen cada canción ou artista.
Filtrado colaborativo
O filtrado colaborativo refírese ao enfoque no que pode filtrar os elementos que un usuario pode preferir analizando os hábitos de usuarios similares.
Por exemplo, ao usuario A pode gustarlles os artistas X e Y, e a outro usuario de Spotify B tamén lle gustan X e Y. Se o usuario B escoita moitas cancións do artista Z, é posible que tamén lle gusten ao usuario A.
Un problema co filtrado colaborativo mediante este método é que os usuarios xeralmente teñen un gusto máis diverso pola música. É posible que o artista Z sexa un xénero completamente diferente dos artistas X e Y.
Para combater isto, Spotify usa unha variación de filtrado colaborativo que analiza a co-ocurrencia das listas de reprodución e as sesións de audición. En termos máis sinxelos, é máis probable que as cancións que adoitan estar na mesma lista de reprodución ou as cancións que escoitan a xente na mesma sesión sexan similares.
Spotify usa este enfoque de filtrado colaborativo para agrupar cancións en categorías que poden non aparecer ao analizar o contido da canción.
Descrición do gusto do usuario
Agora temos unha boa representación que describe un tema ou artista. Como atopamos entón os usuarios axeitados para recomendar as cancións?
Outro problema desafiante que Spotify debería resolver é comprender o gusto musical dos seus usuarios.
Cando crees unha conta de Spotify por primeira vez, podes notar que Spotify che pedirá que selecciones algúns xéneros ou artistas que queres seguir. Este é o primeiro paso para determinar que tipo de música quere escoitar o usuario.
Despois, o motor de recomendación de Spotify fai un seguimento de toda a túa actividade de escoita. Ten sentido que Spotify che ofreza máis suxestións de música clásica se o único que buscas é música clásica.
Non obstante, escoitar unha pista é só o sinal máis básico a considerar. Spotify tamén analiza as cancións que saltas, as pistas que gardas e os artistas que segues. Este tipo de interaccións son comentarios explícitos ou activos.
Ademais, Spotify tamén analiza os comentarios implícitos. Isto inclúe a duración da sesión de audición ou a frecuencia con que repites unha canción.
Usando todas estas interaccións, Spotify agora debería poder descubrir as túas preferencias en xénero, estado de ánimo e época. A plataforma tamén pode predecir que tipo de música pode preferir a unha hora específica do día ou día da semana.
Spotify tamén entende que os usuarios adoitan desenvolver o seu gusto pola música co paso do tempo. Tendo en conta este feito, o motor de recomendación de Spotify dá máis peso á actividade recente que aos datos históricos.
Conclusión
Aínda que plataformas como Apple Music teñen máis cancións dispoñibles e servizos como TIDAL prometen un son de alta fidelidade, Spotify segue dominando a cota de mercado global dos subscritores de música. Parte dese éxito é a eficacia do seu sistema de recomendación, que é produto de máis dunha década de investigación e iteración.
O obxectivo do sistema de recomendación de Spotify é proporcionar unha experiencia satisfactoria aos usuarios que lles permita pasar moito tempo na plataforma. A retención de usuarios é unha métrica clave para o éxito cando se trata de servizos de subscrición en liña como Spotify.
Segundo Oskar Stal, vicepresidente de personalización de Spotify, a plataforma pretende "aumentar a cantidade de audio máis significativo na túa vida". Mediante o uso de algoritmos de aprendizaxe automática, Spotify é capaz de ofrecer excelentes recomendacións aos seus usuarios e axudar aos artistas a crecer e ter a oportunidade de ser escoitados.
Deixe unha resposta