Daftar Isi[Bersembunyi][Menunjukkan]
Munculnya layanan streaming musik benar-benar mengubah cara generasi pendengar saat ini mendekati musik. Jutaan lagu tidak hanya tersedia dengan biaya berlangganan bulanan yang kecil, algoritme secara aktif bekerja di latar belakang untuk menghadirkan aliran musik konstan yang dipersonalisasi sesuai selera Anda.
Memimpin perang streaming musik adalah perusahaan Spotify yang berbasis di Swedia. Platform ini telah berkembang menjadi lebih dari 400 juta pengguna aktif bulanan pada tahun 2022. Selain sebagai layanan musik on-demand terbesar, Spotify terus mendorong batas-batas AI dan Mesin belajar dalam konteks musik dan rekomendasi musik.
Daftar putar seperti Discover Weekly atau Daily Mix dibuat menggunakan sistem algoritme kompleks yang mencoba mencocokkan artis dan pendengar secara bersamaan. Artikel ini akan menjelaskan cara kerja Spotify di balik layar. Kami akan menyelami bagaimana semua algoritme ini bekerja bersama untuk menciptakan layanan kurasi musik yang efektif bagi pengguna.
Bagaimana Spotify Merekomendasikan Anda?
Spotify bergantung pada apa yang dikenal sebagai sistem pemberi rekomendasi. Juga dikenal sebagai mesin rekomendasi, algoritme membuat model untuk menemukan dan merekomendasikan item yang relevan kepada pengguna. Spotify telah membangun sistem pemberi rekomendasi yang efektif yang dirancang untuk memberikan daftar putar yang disesuaikan dan saran lagu kepada penggunanya.
Jenis algoritma ini praktis ada di mana-mana dalam kehidupan kita sehari-hari. Sistem pemberi rekomendasi mendorong fitur yang memungkinkan Amazon, YouTube, dan Facebook memberi Anda konten yang relevan berdasarkan interaksi Anda sebelumnya dengan aplikasi.
Mesin rekomendasi Spotify perlu mendapatkan dua representasi yang benar: pengguna dan trek musik itu sendiri.
Mewakili Trek Musik
Sebelum Spotify dapat menyarankan musik kepada Anda, algoritmenya harus memiliki beberapa cara kuantitatif untuk menggambarkan setiap jutaan trek dalam basis data mereka.
Membuat profil untuk setiap trek musik adalah masalah yang menarik. Spotify telah berinvestasi dalam banyak penelitian untuk menemukan model terbaik untuk menggambarkan setiap rekaman dalam katalognya.
Untuk mengatasi masalah ini, Spotify menggunakan dua metode utama untuk membuat representasi: pemfilteran berbasis konten dan pemfilteran kolaboratif.
Mari kita lihat apa yang dilakukan masing-masing metode ini dan bagaimana mereka bekerja sama untuk menciptakan representasi musik yang holistik.
Penyaringan Berbasis Konten
Pemfilteran berbasis konten bertujuan untuk mendeskripsikan setiap trek dengan memeriksa data aktual dan metadata trek.
Saat artis mengunggah musik ke basis data Spotify, mereka harus menyediakan file musik yang sebenarnya itu sendiri, serta informasi atau metadata tambahan. Metadata mencakup nama lagu, tahun dirilis, album trek, dan bahkan panjang lagu itu sendiri.
Saat Spotify menerima file-file ini, Spotify dapat dengan cepat menggunakan metadata yang disediakan untuk mengkategorikan lagu. Sebuah single rock Inggris dari tahun 1989, misalnya, dapat dimasukkan ke dalam beberapa playlist seperti “Classic British Hits” atau bahkan “Rock Songs from the 80s”.
Analisis Audio Mentah
Namun, Spotify melangkah lebih jauh dan melakukan analisis pada file audio mentah itu sendiri untuk mendapatkan beberapa metrik kuantitatif dari trek. Jika kita melihat API Spotify, kita dapat melihat beberapa metrik ini.
Misalnya, API menyertakan metrik energi yang mengukur "ukuran persepsi intensitas dan aktivitas". Menurut dokumentasi, metrik berasal dari berbagai atribut termasuk rentang dinamis, kenyaringan yang dirasakan, dan timbre. Dengan menggunakan metrik ini, Spotify dapat mengelompokkan lagu-lagu berenergi tinggi dan menyajikannya sebagai rekomendasi kepada pengguna yang mendengarkan musik berintensitas tinggi.
Selain energi, Spotify juga menentukan keaktifan lagu, metrik yang mendeteksi kehadiran penonton dalam rekaman. Valensi adalah ukuran yang menggambarkan seberapa positif suatu lintasan. Suara bervalensi tinggi menunjukkan musik ceria dan bahagia, sedangkan suara bervalensi rendah menunjukkan musik sedih, tertekan, atau marah.
Analisis Temporal
Spotify juga memiliki algoritme analitik menarik lainnya yang menjelaskan struktur temporal trek. Satu lagu dibagi menjadi beberapa segmen: dari bagian (chorus, bridge, solo instrumental), hingga ketukan individu itu sendiri. Anda dapat melihat bagaimana Spotify menggambarkan struktur lagu favorit Anda dengan menggunakan ini alat online yang mengirimkan permintaan ke Spotify API.
Menggabungkan analisis temporal dengan metrik seperti energi dan valensi dapat membantu merepresentasikan trek dengan cara yang lebih bernuansa. Kita dapat menyaring lagu-lagu yang intensitasnya meningkat secara bertahap, atau menemukan lagu-lagu yang berenergi tinggi sepanjang jalan.
Analisis Teks
Mesin rekomendasi Spotify juga mengekstrak informasi semantik dari teks yang terkait dengan trek atau artis melalui penggunaan natural model pemrosesan bahasa.
Lirik lagu dapat membantu lebih memahami isi lagu. Mungkin saja Spotify mencari kata kunci potensial atau analisis sentimen saat membuat daftar putar baru atau melacak radio.
Web juga merupakan alat yang berguna untuk memahami trek atau artis. Spotify secara teratur melakukan pengikisan web dari outlet media online dan publikasi musik untuk menentukan bagaimana orang sebenarnya menggambarkan setiap lagu atau artis.
Penyaringan Kolaboratif
Pemfilteran kolaboratif mengacu pada pendekatan di mana Anda dapat memfilter item yang mungkin disukai pengguna dengan melihat kebiasaan pengguna serupa.
Misalnya, pengguna A mungkin menyukai artis X dan Y, dan pengguna Spotify lain B juga menyukai X dan Y. Jika pengguna B mendengarkan banyak lagu dari artis Z, kemungkinan pengguna A juga menyukainya.
Salah satu masalah dengan penyaringan kolaboratif menggunakan metode ini adalah bahwa pengguna umumnya memiliki selera musik yang lebih beragam. Ada kemungkinan bahwa artis Z adalah genre yang sama sekali berbeda dari artis X dan Y.
Untuk mengatasi hal ini, Spotify menggunakan variasi pemfilteran kolaboratif yang melihat ke dalam daftar putar dan sesi mendengarkan secara bersamaan. Dalam istilah yang lebih sederhana, trek yang cenderung berada di daftar putar yang sama atau lagu yang didengarkan orang di sesi yang sama cenderung serupa.
Spotify menggunakan pendekatan pemfilteran kolaboratif ini untuk mengelompokkan lagu ke dalam kategori yang mungkin tidak terlihat saat menganalisis konten lagu.
Menggambarkan Selera Pengguna
Kami sekarang memiliki representasi bagus yang menggambarkan trek atau artis. Lalu bagaimana kami menemukan pengguna yang tepat untuk merekomendasikan lagu?
Masalah lain yang menantang yang harus dipecahkan Spotify adalah memahami selera musik penggunanya.
Saat pertama kali membuat akun Spotify, Anda mungkin memperhatikan bahwa Spotify akan meminta Anda untuk memilih beberapa genre atau artis yang ingin Anda ikuti. Ini adalah langkah pertama dalam menentukan jenis musik apa yang ingin didengarkan pengguna.
Setelah itu, mesin pemberi rekomendasi Spotify melacak seluruh aktivitas mendengarkan Anda. Masuk akal jika Spotify memberi Anda lebih banyak saran musik klasik jika yang Anda cari hanyalah musik klasik.
Namun, mendengarkan trek hanyalah sinyal paling dasar untuk dipertimbangkan. Spotify juga melihat lagu yang Anda lewati, lagu yang Anda simpan, dan artis yang Anda ikuti. Jenis interaksi ini adalah umpan balik eksplisit atau aktif.
Selain itu, Spotify juga melihat umpan balik implisit. Ini termasuk lamanya sesi mendengarkan atau seberapa sering Anda mengulang sebuah lagu.
Dengan menggunakan semua interaksi ini, Spotify sekarang dapat mengetahui preferensi Anda dalam genre, suasana hati, dan era. Platform ini juga dapat memprediksi jenis musik apa yang mungkin Anda sukai pada waktu atau hari tertentu dalam seminggu.
Spotify juga memahami bahwa pengguna sering mengembangkan selera musik mereka dari waktu ke waktu. Mempertimbangkan fakta ini, mesin rekomendasi Spotify memberi bobot lebih pada aktivitas terkini daripada data historis.
Kesimpulan
Meskipun platform seperti Apple Music memiliki lebih banyak lagu yang tersedia, dan layanan seperti TIDAL menjanjikan suara berkualitas tinggi, Spotify terus mendominasi pangsa pasar global pelanggan musik. Bagian dari keberhasilan itu adalah efektivitas sistem rekomendasinya, yang merupakan produk dari penelitian dan iterasi selama lebih dari satu dekade.
Tujuan dari sistem rekomendasi Spotify adalah untuk memberikan pengalaman yang memuaskan bagi pengguna yang memungkinkan mereka untuk menghabiskan waktu yang lama di platform. Retensi pengguna adalah metrik kunci untuk sukses dalam hal layanan berlangganan online seperti Spotify.
Menurut Oskar Stal, VP personalisasi di Spotify, platform ini bertujuan untuk “meningkatkan jumlah audio yang lebih bermakna dalam hidup Anda.” Melalui penggunaan algoritma pembelajaran mesin, Spotify mampu memberikan rekomendasi yang bagus kepada penggunanya dan membantu artis tumbuh dan memiliki kesempatan untuk didengar.
Tinggalkan Balasan