მუსიკის ნაკადის სერვისების ზრდამ მთლიანად შეცვალა მსმენელთა ამჟამინდელი თაობის მიდგომა მუსიკას. არა მხოლოდ მილიონობით სიმღერაა ხელმისაწვდომი მცირე ყოველთვიური სააბონენტო გადასახადისთვის, ალგორითმები აქტიურად მუშაობენ ფონზე, რათა უზრუნველყონ მუსიკის მუდმივი ნაკადი, რომელიც მორგებულია თქვენს გემოვნებაზე.
მუსიკის სტრიმინგის ომებში ლიდერობს შვედეთში დაფუძნებული კომპანია Spotify. პლატფორმა გაიზარდა და დააგროვა 400 მილიონზე მეტი ყოველთვიური აქტიური მომხმარებელი 2022 წელს. გარდა იმისა, რომ არის ყველაზე დიდი მოთხოვნილ მუსიკალური სერვისი, Spotify მუდმივად უბიძგებს AI და საზღვრებს. მანქანა სწავლის მუსიკისა და მუსიკის რეკომენდაციის კონტექსტში.
დასაკრავი სიები, როგორიცაა Discover Weekly ან Daily Mix, იქმნება ალგორითმების რთული სისტემის გამოყენებით, რომელიც ცდილობს დააკავშიროს მხატვრები და მსმენელები ერთად. ეს სტატია აშუქებს, თუ როგორ მუშაობს Spotify კულისებში. ჩვენ განვიხილავთ, თუ როგორ მუშაობს ყველა ეს ალგორითმი, რათა შევქმნათ ეფექტური მუსიკის კურირების სერვისები მომხმარებლებისთვის.
როგორ გირჩევს Spotify რამეს?
Spotify ეყრდნობა იმას, რაც ცნობილია, როგორც სარეკომენდაციო სისტემა. ასევე ცნობილია, როგორც სარეკომენდაციო ძრავა, ალგორითმი ქმნის მოდელს, რომ იპოვოთ და რეკომენდაცია გაუწიოს მომხმარებლებს. Spotify-მ შექმნა ეფექტური სარეკომენდაციო სისტემა, რომელიც მორგებულია მომხმარებლისთვის მორგებული დასაკრავი სიების მიწოდებისთვის და შემოთავაზებების თვალყურის დევნებისთვის.
ამ ტიპის ალგორითმი პრაქტიკულად ყველგან არის გავრცელებული ჩვენს ყოველდღიურ ცხოვრებაში. სარეკომენდაციო სისტემები ამუშავებენ ფუნქციებს, რომლებიც საშუალებას აძლევს Amazon-ს, YouTube-სა და Facebook-ს მოგაწოდოთ შესაბამისი შინაარსი აპთან თქვენი წარსული ურთიერთქმედების საფუძველზე.
Spotify-ის სარეკომენდაციო ძრავმა უნდა მიიღოს ორი წარმოდგენა სწორად: მომხმარებელი და თავად მუსიკალური ტრეკი.
მუსიკალური ტრეკების წარმოდგენა
სანამ Spotify-ს შეუძლია შემოგთავაზოთ მუსიკა, მის ალგორითმებს უნდა ჰქონდეთ რაოდენობრივი გზა მათი მონაცემთა ბაზაში არსებული მილიონობით ტრეკის აღწერისთვის.
თითოეული მუსიკალური ტრეკის პროფილის შექმნა თავისთავად საინტერესო პრობლემაა. Spotify-მა ინვესტიცია ჩადო უამრავ კვლევაში, რათა იპოვა საუკეთესო მოდელები მის კატალოგში ყველა ჩანაწერის აღსაწერად.
ამ პრობლემის მოსაგვარებლად Spotify იყენებს ორ ძირითად მეთოდს წარმოდგენის შესაქმნელად: კონტენტზე დაფუძნებული ფილტრაცია და ერთობლივი ფილტრაცია.
მოდით შევხედოთ რას აკეთებს თითოეული ეს მეთოდი და როგორ მუშაობენ ისინი ერთად მუსიკის ჰოლისტიკური წარმოდგენის შესაქმნელად.
კონტენტზე დაფუძნებული ფილტრაცია
კონტენტზე დაფუძნებული ფილტრაცია მიზნად ისახავს თითოეული ტრეკის აღწერას ტრეკის რეალური მონაცემებისა და მეტამონაცემების შესწავლით.
როდესაც შემსრულებლები ატვირთავენ მუსიკას Spotify-ის მონაცემთა ბაზაში, მათ უნდა მიაწოდონ თავად რეალური მუსიკალური ფაილი, ასევე დამატებითი ინფორმაცია ან მეტამონაცემები. მეტამონაცემებში შედის სიმღერის სახელწოდება, გამოშვების წელი, ტრეკის ალბომი და თვით სიმღერის სიგრძეც კი.
როდესაც Spotify მიიღებს ამ ფაილებს, მას შეუძლია სწრაფად გამოიყენოს მოწოდებული მეტამონაცემები სიმღერების კატეგორიზაციისთვის. მაგალითად, 1989 წლის ბრიტანული როკ სინგლი შეიძლება მოხვდეს რამდენიმე პლეილისტში, როგორიცაა "Classic British Hits" ან თუნდაც "Rock Songs from 80s".
ნედლეული აუდიო ანალიზი
თუმცა, Spotify უფრო შორს მიდის და თავად ახორციელებს ანალიზს ნედლეულ აუდიო ფაილზე, რათა მიიღოს გარკვეული რაოდენობრივი მეტრიკა ტრეკიდან. თუ გადავხედავთ Spotify API, ჩვენ შეგვიძლია დავინახოთ რამდენიმე ამ მეტრიკა.
მაგალითად, API მოიცავს ენერგიის მეტრიკას, რომელიც ზომავს „ინტენსივობისა და აქტივობის აღქმის საზომს“. დოკუმენტაციის მიხედვით, მეტრიკა მიღებულია სხვადასხვა ატრიბუტიდან, მათ შორის დინამიური დიაპაზონი, აღქმული ხმამაღალი და ტემბრი. ამ მეტრიკის გამოყენებით Spotify-ს შეუძლია მაღალი ენერგიული სიმღერების კატეგორიზაცია მოახდინოს ერთად და რეკომენდაცია გაუწიოს მომხმარებლებს, რომლებიც უსმენენ მაღალი ინტენსივობის მუსიკას.
ენერგიის გარდა, Spotify ასევე განსაზღვრავს ტრეკის სიცოცხლით სარგებლობას, მეტრიკა, რომელიც ამოიცნობს აუდიტორიის არსებობას ჩანაწერში. ვალენტობა არის საზომი, რომელიც აღწერს რამდენად დადებითია ტრეკი. მაღალი ვალენტობის ხმა მიუთითებს მხიარულ და მხიარულ მუსიკაზე, ხოლო დაბალი ვალენტობის ხმა მიუთითებს სევდიან, დეპრესიულ ან გაბრაზებულ მუსიკაზე.
დროითი ანალიზი
Spotify-ს ასევე აქვს კიდევ ერთი საინტერესო ანალიტიკური ალგორითმი, რომელიც აღწერს ტრეკის დროებით სტრუქტურას. ერთი ტრეკი დაყოფილია სხვადასხვა სეგმენტად: სექციებიდან (გუნდი, ხიდი, ინსტრუმენტული სოლო), ინდივიდუალურ ბიტებამდე. ამის გამოყენებით შეგიძლიათ ნახოთ, როგორ აღწერს Spotify თქვენი საყვარელი სიმღერების სტრუქტურას ონლაინ ინსტრუმენტი რომელიც აგზავნის მოთხოვნას Spotify API-ზე.
დროებითი ანალიზის გაერთიანება ისეთი მეტრიკებით, როგორიცაა ენერგია და ვალენტობა, დაგეხმარებათ ბილიკის უფრო ნიუანსურად წარმოჩენაში. ჩვენ შეგვიძლია გავფილტროთ სიმღერები, რომლებიც თანდათან მატულობს ინტენსივობით, ან ვიპოვოთ სიმღერები, რომლებიც მთელი გზაზეა მაღალი ენერგიით.
ტექსტის ანალიზი
Spotify-ის სარეკომენდაციო ძრავა ასევე ამოიღებს სემანტიკურ ინფორმაციას ტექსტიდან, რომელიც დაკავშირებულია ტრეკთან ან შემსრულებლთან ბუნებრივის გამოყენებით. ენის დამუშავების მოდელები.
სიმღერის ტექსტი დაგეხმარებათ სიმღერის შინაარსის შემდგომ გაგებაში. შესაძლებელია, რომ Spotify ეძებს პოტენციურ საკვანძო სიტყვებს ან განწყობის ანალიზი ახალი პლეილისტების შექმნისას ან ტრეკების რადიოების შექმნისას.
ვებ ასევე სასარგებლო ინსტრუმენტია ტრეკის ან შემსრულებლის გასაგებად. Spotify რეგულარულად ახორციელებს ონლაინ მედიასაშუალებებისა და მუსიკალური პუბლიკაციების ვებ სკრიპებს, რათა დადგინდეს, თუ როგორ აღწერენ რეალური ადამიანები თითოეულ სიმღერას ან შემსრულებელს.
ერთობლივი ფილტრაცია
კოლაბორაციული ფილტრაცია ეხება მიდგომას, სადაც შეგიძლიათ გაფილტროთ ის ელემენტები, რომლებიც მომხმარებელმა შეიძლება უპირატესობა მიანიჭოს მსგავსი მომხმარებლების ჩვევებს.
მაგალითად, მომხმარებელს A შეიძლება მოეწონოს შემსრულებლები X და Y, ხოლო სხვა Spotify B მომხმარებელს ასევე მოსწონს X და Y. თუ მომხმარებელი B უსმენს უამრავ სიმღერას შემსრულებლის Z-ისგან, მაშინ შესაძლებელია, რომ მომხმარებელს A-საც მოეწონოს ისინი.
ამ მეთოდის გამოყენებით ერთობლივი ფილტრაციის ერთ-ერთი პრობლემა ის არის, რომ მომხმარებლებს ზოგადად უფრო მრავალფეროვანი გემოვნება აქვთ მუსიკაში. შესაძლებელია, რომ მხატვარი Z არის სრულიად განსხვავებული ჟანრი მხატვრებისგან X და Y.
ამის წინააღმდეგ საბრძოლველად, Spotify იყენებს ერთობლივი ფილტრაციის ვარიაციას, რომელიც ათვალიერებს დასაკრავ სიას და მოსმენის სესიების თანხვედრას. უფრო მარტივი სიტყვებით რომ ვთქვათ, სიმღერები, რომლებიც, როგორც წესი, ერთსა და იმავე დასაკრავ სიაშია, ან სიმღერები, რომლებსაც ადამიანები უსმენენ იმავე სესიაზე, უფრო მეტად მსგავსია.
Spotify იყენებს ამ ერთობლივი ფილტრაციის მიდგომას, რათა დააჯგუფოს სიმღერები კატეგორიებად, რომლებიც შეიძლება არ იყოს აშკარა სიმღერის შინაარსის გაანალიზებისას.
მომხმარებლის გემოვნების აღწერა
ჩვენ ახლა გვაქვს კარგი წარმოდგენა, რომელიც აღწერს სიმღერას ან შემსრულებელს. როგორ მოვძებნოთ შესაბამისი მომხმარებლები, რომლებსაც სიმღერები გვირჩევენ?
კიდევ ერთი რთული პრობლემა, რომელიც Spotify-მა უნდა გადაჭრას, არის მისი მომხმარებლების მუსიკალური გემოვნების გაგება.
როდესაც პირველად შექმნით Spotify ანგარიშს, შეიძლება შეამჩნიოთ, რომ Spotify მოგთხოვთ აირჩიოთ რამდენიმე ჟანრი ან შემსრულებელი, რომელთა მიყოლაც გსურთ. ეს არის პირველი ნაბიჯი იმის დასადგენად, თუ რა ტიპის მუსიკის მოსმენა სურს მომხმარებელს.
ამის შემდეგ, Spotify-ის სარეკომენდაციო ძრავა თვალყურს ადევნებს თქვენს მოსმენის მთელ აქტივობას. აზრი აქვს Spotify-ს მოგაწოდოთ უფრო მეტი კლასიკური მუსიკის შემოთავაზებები, თუ ყველაფერი რასაც ეძებთ არის კლასიკური მუსიკა.
თუმცა, სიმღერის მოსმენა მხოლოდ ყველაზე ძირითადი სიგნალია გასათვალისწინებელი. Spotify ასევე ათვალიერებს თქვენ მიერ გამოტოვებულ სიმღერებს, თქვენს მიერ შენახულ ჩანაწერებს და შემსრულებლებს, რომლებსაც თვალს ადევნებთ. ამ ტიპის ურთიერთქმედება არის აშკარა ან აქტიური გამოხმაურება.
ამის გარდა, Spotify ასევე განიხილავს იმპლიციტურ გამოხმაურებას. ეს მოიცავს მოსმენის სესიის ხანგრძლივობას ან რამდენად ხშირად იმეორებთ სიმღერას.
ყველა ამ ურთიერთქმედების გამოყენებით, Spotify-ს ახლა უნდა შეეძლოს გაარკვიოს თქვენი პრეფერენციები ჟანრში, განწყობასა და ეპოქაში. პლატფორმას ასევე შეუძლია წინასწარ განსაზღვროს, თუ რა ტიპის მუსიკას გირჩევნიათ დღის ან კვირის კონკრეტულ დროს.
Spotify ასევე ესმის, რომ მომხმარებლები ხშირად ავითარებენ მუსიკის გემოვნებას დროთა განმავლობაში. ამ ფაქტის გათვალისწინებით, Spotify სარეკომენდაციო ძრავა უფრო მეტ მნიშვნელობას ანიჭებს ბოლო აქტივობას ისტორიულ მონაცემებთან შედარებით.
დასკვნა
მიუხედავად იმისა, რომ ისეთ პლატფორმებს, როგორიცაა Apple Music, უფრო მეტი სიმღერები აქვთ და სერვისები, როგორიცაა TIDAL, გპირდებათ მაღალი ერთგულების ხმას, Spotify აგრძელებს მუსიკის აბონენტების გლობალური ბაზრის წილის დომინირებას. ამ წარმატების ნაწილია მისი რეკომენდაციების სისტემის ეფექტურობა, რომელიც ათწლეულზე მეტი კვლევისა და განმეორების პროდუქტია.
Spotify-ის სარეკომენდაციო სისტემის მიზანია მომხმარებლებისთვის დამაკმაყოფილებელი გამოცდილების მიწოდება, რაც მათ საშუალებას მისცემს გაატარონ დიდი დრო პლატფორმაზე. მომხმარებლის შეკავება წარმატების საკვანძო მეტრია, როდესაც საქმე ეხება ონლაინ გამოწერის სერვისებს, როგორიცაა Spotify.
ოსკარ სტალის, Spotify-ის პერსონალიზაციის ვიცე-პრეზიდენტის თქმით, პლატფორმა მიზნად ისახავს „გაზარდოს უფრო მნიშვნელოვანი აუდიო რაოდენობა თქვენს ცხოვრებაში“. გამოყენების გზით მანქანა სწავლების ალგორითმები, Spotify-ს შეუძლია მიაწოდოს შესანიშნავი რეკომენდაციები თავის მომხმარებლებს და დაეხმაროს არტისტებს გაიზარდონ და ჰქონდეთ მოსმენის შესაძლებლობა.
დატოვე პასუხი