L'ascesa dei servizi di streaming musicale ha completamente cambiato il modo in cui l'attuale generazione di ascoltatori si avvicina alla musica. Non solo milioni di brani sono disponibili con una piccola quota di abbonamento mensile, ma gli algoritmi lavorano attivamente in background per fornire un flusso costante di musica personalizzata in base ai tuoi gusti.
A guidare le guerre di streaming musicale è la società svedese Spotify. La piattaforma è cresciuta fino ad accumulare oltre 400 milioni di utenti attivi mensili nel 2022. Oltre ad essere il più grande servizio di musica on-demand, Spotify spinge costantemente i confini dell'IA e machine learning nel contesto della musica e della raccomandazione musicale.
Playlist come Discover Weekly o Daily Mix vengono create utilizzando un complesso sistema di algoritmi che cercano di abbinare artisti e ascoltatori insieme. Questo articolo farà luce su come Spotify funziona dietro le quinte. Analizzeremo come tutti questi algoritmi lavorano insieme per creare servizi di cura della musica efficaci per gli utenti.
In che modo Spotify ti consiglia le cose?
Spotify si basa su quello che è noto come un sistema di raccomandazione. Conosciuto anche come motore di raccomandazione, l'algoritmo crea un modello per trovare e consigliare elementi rilevanti agli utenti. Spotify ha creato un efficace sistema di consigli su misura per fornire playlist personalizzate e suggerimenti sui brani ai suoi utenti.
Questo tipo di algoritmo è praticamente onnipresente nella nostra vita quotidiana. I sistemi di raccomandazione guidano le funzionalità che consentono ad Amazon, YouTube e Facebook di fornirti contenuti pertinenti in base alle tue interazioni passate con l'app.
Il motore di raccomandazione di Spotify deve ottenere due rappresentazioni corrette: l'utente e la traccia musicale stessa.
Rappresentazione di brani musicali
Prima che Spotify possa suggerirti la musica, i suoi algoritmi devono avere un modo quantitativo per descrivere ciascuno dei milioni di tracce nel loro database.
La creazione di un profilo per ogni traccia musicale è di per sé un problema interessante. Spotify ha investito in molte ricerche per trovare i migliori modelli per descrivere ogni disco nel suo catalogo.
Per affrontare questo problema, Spotify utilizza due metodi principali per creare una rappresentazione: il filtro basato sui contenuti e il filtro collaborativo.
Esaminiamo cosa fa ciascuno di questi metodi e come lavorano insieme per creare una rappresentazione olistica della musica.
Filtraggio basato sui contenuti
Il filtro basato sui contenuti mira a descrivere ogni traccia esaminando i dati e i metadati effettivi della traccia.
Quando gli artisti caricano musica nel database di Spotify, devono fornire il file musicale stesso, nonché ulteriori informazioni o metadati. I metadati includono il nome della canzone, l'anno in cui è stata pubblicata, l'album della traccia e persino la durata della canzone stessa.
Quando Spotify riceve questi file, può utilizzare rapidamente i metadati forniti per classificare i brani. Un singolo rock britannico del 1989, ad esempio, può essere inserito in diverse playlist come "Classic British Hits" o anche "Rock Songs from the 80s".
Analisi audio grezza
Tuttavia, Spotify fa un ulteriore passo avanti ed esegue un'analisi sul file audio grezzo stesso per ottenere alcune metriche quantitative dalla traccia. Se diamo un'occhiata al API di Spotify, possiamo vedere alcune di queste metriche.
Ad esempio, l'API include una metrica energetica che misura la "misura percettiva dell'intensità e dell'attività". Secondo la documentazione, la metrica deriva da vari attributi tra cui gamma dinamica, volume percepito e timbro. Utilizzando questa metrica, Spotify può classificare insieme i brani ad alta energia e servirli come consigli per gli utenti che ascoltano musica ad alta intensità.
Oltre all'energia, Spotify determina anche la vivacità della traccia, una metrica che rileva la presenza di un pubblico nella registrazione. La valenza è una misura che descrive quanto sia positiva una traccia. Un suono di valenza alta indica musica allegra e allegra, mentre un suono di valenza più basso indica musica triste, depressa o arrabbiata.
Analisi temporale
Spotify ha anche un altro interessante algoritmo di analisi che descrive la struttura temporale della traccia. Un'unica traccia è suddivisa in diversi segmenti: dalle sezioni (ritornello, bridge, assolo strumentale), alle singole battute stesse. Puoi controllare come Spotify descrive la struttura delle tue canzoni preferite usando questo strumento online che invia una richiesta all'API di Spotify.
La combinazione dell'analisi temporale con metriche come energia e valenza può aiutare a rappresentare la traccia in un modo più sfumato. Possiamo filtrare brani che aumentano gradualmente di intensità o trovare brani ad alta energia fino in fondo.
Analisi del testo
Il motore di raccomandazione di Spotify estrae anche le informazioni semantiche dal testo relativo alla traccia o all'artista attraverso l'uso di naturale modelli di elaborazione del linguaggio.
I testi delle canzoni possono aiutare a capire meglio il contenuto della canzone. È possibile che Spotify cerchi potenziali parole chiave o sentiment analysis durante la creazione di nuove playlist o tracce radio.
Il web è anche uno strumento utile per comprendere una traccia o un artista. Spotify esegue regolarmente web scraping di media online e pubblicazioni musicali per determinare in che modo le persone reali descrivono ogni traccia o artista.
Filtraggio collaborativo
Il filtro collaborativo si riferisce all'approccio in cui è possibile filtrare gli elementi che un utente potrebbe preferire esaminando le abitudini di utenti simili.
Ad esempio, all'utente A potrebbero piacere gli artisti X e Y e anche a un altro utente di Spotify B piacciono X e Y. Se l'utente B ascolta molti brani dell'artista Z, è possibile che anche all'utente A piacciano.
Un problema con il filtraggio collaborativo che utilizza questo metodo è che gli utenti generalmente hanno gusti musicali più diversi. È possibile che l'artista Z sia un genere completamente diverso dagli artisti X e Y.
Per combattere questo, Spotify utilizza una variazione del filtro collaborativo che esamina la playlist e la sessione di ascolto simultanea. In termini più semplici, le tracce che tendono a trovarsi nella stessa playlist o le canzoni che le persone ascoltano nella stessa sessione hanno maggiori probabilità di essere simili.
Spotify utilizza questo approccio di filtraggio collaborativo per raggruppare i brani in categorie che potrebbero non essere evidenti quando si analizza il contenuto del brano.
Descrivere il gusto dell'utente
Ora abbiamo una buona rappresentazione che descrive una traccia o un artista. Come possiamo quindi trovare gli utenti giusti a cui consigliare le canzoni?
Un altro problema impegnativo che Spotify dovrebbe risolvere è comprendere il gusto musicale dei suoi utenti.
Quando crei un account Spotify per la prima volta, potresti notare che Spotify ti chiederà di selezionare alcuni generi o artisti che desideri seguire. Questo è il primo passo per determinare il tipo di musica che l'utente desidera ascoltare.
Successivamente, il motore di raccomandazione di Spotify tiene traccia dell'intera attività di ascolto. Ha senso che Spotify ti offra più suggerimenti di musica classica se tutto ciò che cerchi è musica classica.
Tuttavia, ascoltare una traccia è solo il segnale più basilare da considerare. Spotify esamina anche i brani che salti, i brani salvati e gli artisti che segui. Questi tipi di interazioni sono feedback espliciti o attivi.
Inoltre, Spotify esamina anche il feedback implicito. Ciò include la durata della sessione di ascolto o la frequenza con cui ripeti un brano.
Utilizzando tutte queste interazioni, Spotify dovrebbe ora essere in grado di scoprire le tue preferenze in termini di genere, umore ed epoca. La piattaforma può anche prevedere quale tipo di musica potresti preferire a un'ora specifica del giorno o del giorno della settimana.
Spotify comprende anche che gli utenti spesso sviluppano i loro gusti musicali nel tempo. Considerando questo fatto, il motore di raccomandazione di Spotify attribuisce maggiore peso all'attività recente rispetto ai dati storici.
Conclusione
Anche se piattaforme come Apple Music hanno più brani disponibili e servizi come TIDAL promettono un suono ad alta fedeltà, Spotify continua a dominare la quota di mercato globale degli abbonati alla musica. Parte di questo successo è l'efficacia del suo sistema di raccomandazioni, che è il prodotto di oltre un decennio di ricerca e iterazione.
L'obiettivo del sistema di raccomandazione di Spotify è fornire un'esperienza soddisfacente agli utenti che consenta loro di trascorrere molto tempo sulla piattaforma. La fidelizzazione degli utenti è una metrica chiave per il successo quando si tratta di servizi di abbonamento online come Spotify.
Secondo Oskar Stal, vicepresidente della personalizzazione di Spotify, la piattaforma mira ad "aumentare la quantità di audio più significativo nella tua vita". Attraverso l'uso di algoritmi di apprendimento automatico, Spotify è in grado di fornire ottimi consigli ai suoi utenti e aiutare gli artisti a crescere e ad avere l'opportunità di essere ascoltati.
Lascia un Commento