Inhoudsopgave[Zich verstoppen][Laten zien]
De opkomst van muziekstreamingdiensten heeft de manier waarop de huidige generatie luisteraars muziek benadert volledig veranderd. Er zijn niet alleen miljoenen nummers beschikbaar voor een klein maandelijks abonnementsbedrag, algoritmen werken ook actief op de achtergrond om een constante stroom muziek te leveren die naar uw smaak is gepersonaliseerd.
Het in Zweden gevestigde bedrijf Spotify leidt de muziekstreamingoorlogen. Het platform is uitgegroeid tot meer dan 400 miljoen maandelijkse actieve gebruikers in 2022. Behalve dat het de grootste on-demand muziekservice is, verlegt Spotify voortdurend de grenzen van AI en machine learning in het kader van muziek en muziekadvies.
Afspeellijsten zoals Discover Weekly of Daily Mix worden gemaakt met behulp van een complex systeem van algoritmen die artiesten en luisteraars bij elkaar proberen te brengen. Dit artikel laat zien hoe Spotify achter de schermen werkt. We zullen ingaan op hoe al deze algoritmen samenwerken om effectieve muziekbeheerservices voor gebruikers te creëren.
Hoe beveelt Spotify je dingen aan?
Spotify vertrouwt op een zogenaamd aanbevelingssysteem. Het algoritme, ook wel bekend als een aanbevelingsengine, creëert een model om relevante items te vinden en aan te bevelen aan gebruikers. Spotify heeft een effectief aanbevelingssysteem gebouwd dat is afgestemd op het leveren van aangepaste afspeellijsten en tracksuggesties aan zijn gebruikers.
Dit type algoritme is praktisch alomtegenwoordig in ons dagelijks leven. Aanbevelingssystemen sturen de functies aan waarmee Amazon, YouTube en Facebook u relevante inhoud kunnen geven op basis van uw eerdere interacties met de app.
De aanbevelingsengine van Spotify moet twee representaties goed krijgen: de gebruiker en het muzieknummer zelf.
Muziektracks vertegenwoordigen
Voordat Spotify je muziek kan voorstellen, moeten zijn algoritmen een kwantitatieve manier hebben om elk van de miljoenen nummers in hun database te beschrijven.
Het maken van een profiel voor elk muzieknummer is een interessant probleem op zich. Spotify heeft geïnvesteerd in veel onderzoek om de beste modellen te vinden om elk record in zijn catalogus te beschrijven.
Om dit probleem aan te pakken, gebruikt Spotify twee hoofdmethoden om een representatie te creëren: op inhoud gebaseerde filtering en collaboratieve filtering.
Laten we eens kijken naar wat elk van deze methoden doet en hoe ze samenwerken om een holistische weergave van muziek te creëren.
Op inhoud gebaseerde filtering
Op inhoud gebaseerde filtering is bedoeld om elke track te beschrijven door de feitelijke gegevens en metadata van de track te onderzoeken.
Wanneer artiesten muziek uploaden naar de Spotify-database, moeten ze het eigenlijke muziekbestand zelf verstrekken, evenals aanvullende informatie of metadata. Metadata omvat de naam van het nummer, het jaar waarin het is uitgebracht, het album van het nummer en zelfs de lengte van het nummer zelf.
Wanneer Spotify deze bestanden ontvangt, kan het snel de verstrekte metadata gebruiken om nummers te categoriseren. Een Britse rocksingle uit 1989 kan bijvoorbeeld in verschillende afspeellijsten worden gezet, zoals 'Classic British Hits' of zelfs 'Rock Songs from the 80s'.
Ruwe audio-analyse
Spotify gaat echter een stap verder en voert een analyse uit op het onbewerkte audiobestand zelf om enkele kwantitatieve statistieken van de track te krijgen. Als we kijken naar de Spotify-API, kunnen we een paar van deze statistieken zien.
De API bevat bijvoorbeeld een energiestatistiek die de 'perceptuele maatstaf voor intensiteit en activiteit' meet. Volgens de documentatie is de metriek afgeleid van verschillende attributen, waaronder dynamisch bereik, waargenomen luidheid en timbre. Met behulp van deze statistiek kan Spotify energieke nummers samen categoriseren en als aanbevelingen dienen voor gebruikers die naar muziek met hoge intensiteit luisteren.
Naast energie bepaalt Spotify ook de levendigheid van de track, een metric die de aanwezigheid van publiek in de opname detecteert. Valence is een meting die beschrijft hoe positief een track is. Een hoog valentiegeluid duidt op vrolijke en vrolijke muziek, terwijl een lager valentiegeluid op droevige, depressieve of boze muziek wijst.
Temporele analyse
Spotify heeft ook een ander interessant analyse-algoritme dat de temporele structuur van de track beschrijft. Een enkele track is verdeeld in verschillende segmenten: van secties (refrein, bridge, instrumentale solo), tot de individuele beats zelf. Je kunt zien hoe Spotify de structuur van je favoriete nummers beschrijft door dit te gebruiken online tool die een verzoek naar de Spotify API stuurt.
Door de temporele analyse te combineren met metrieken zoals energie en valentie, kan het spoor op een meer genuanceerde manier worden weergegeven. We kunnen door nummers filteren die geleidelijk in intensiteit toenemen, of nummers vinden die helemaal energiek zijn.
Tekstanalyse
De aanbevelingsengine van Spotify haalt ook semantische informatie uit tekst met betrekking tot het nummer of de artiest door het gebruik van natuurlijke taalverwerkingsmodellen.
Songteksten kunnen helpen om de inhoud van het nummer beter te begrijpen. Het is mogelijk dat Spotify zoekt naar mogelijke trefwoorden of sentiment analyse bij het maken van nieuwe afspeellijsten of het volgen van radio's.
Het web is ook een handig hulpmiddel om een nummer of artiest te begrijpen. Spotify voert regelmatig webkrabben uit van online mediakanalen en muziekpublicaties om te bepalen hoe echte mensen elk nummer of elke artiest beschrijven.
Gezamenlijke filtering
Collaborative filtering verwijst naar de benadering waarbij u items kunt filteren die een gebruiker misschien verkiest door te kijken naar de gewoonten van vergelijkbare gebruikers.
Gebruiker A kan bijvoorbeeld van artiesten X en Y houden, en een andere Spotify-gebruiker B houdt ook van X en Y. Als gebruiker B veel nummers van artiest Z luistert, is het mogelijk dat gebruiker A ze ook leuk vindt.
Een probleem met collaboratief filteren met deze methode is dat gebruikers over het algemeen een meer diverse muzieksmaak hebben. Het is mogelijk dat artiest Z een heel ander genre is dan artiesten X en Y.
Om dit tegen te gaan, gebruikt Spotify een variant van collaboratieve filtering die kijkt naar het gelijktijdig voorkomen van afspeellijsten en luistersessies. In eenvoudiger bewoordingen is de kans groter dat nummers die in dezelfde afspeellijst staan of nummers waarnaar mensen in dezelfde sessie luisteren, meer op elkaar lijken.
Spotify gebruikt deze gezamenlijke filterbenadering om nummers samen te voegen in categorieën die mogelijk niet duidelijk zijn bij het analyseren van de inhoud van het nummer.
Gebruikerssmaak beschrijven
We hebben nu een goede weergave die een track of artiest beschrijft. Hoe vinden we dan de juiste gebruikers om de nummers aan te bevelen?
Een ander uitdagend probleem dat Spotify moet oplossen, is het begrijpen van de muzikale smaak van zijn gebruikers.
Wanneer je voor het eerst een Spotify-account aanmaakt, merk je misschien dat Spotify je zal vragen om een paar genres of artiesten te selecteren die je wilt volgen. Dit is de eerste stap om te bepalen naar welk type muziek de gebruiker wil luisteren.
Daarna houdt de aanbevelingsengine van Spotify uw volledige luisteractiviteit bij. Het is logisch dat Spotify u meer klassieke muzieksuggesties biedt als u alleen naar klassieke muziek zoekt.
Het luisteren naar een nummer is echter slechts het meest elementaire signaal om te overwegen. Spotify kijkt ook naar de nummers die je overslaat, de nummers die je opslaat en de artiesten die je volgt. Dit soort interacties zijn expliciete of actieve feedback.
Daarnaast kijkt Spotify ook naar impliciete feedback. Dit omvat de lengte van de luistersessie of hoe vaak u een nummer herhaalt.
Met al deze interacties zou Spotify nu in staat moeten zijn om je voorkeuren in genre, stemming en tijdperk te achterhalen. Het platform kan ook voorspellen welk type muziek je op een bepaald moment van de dag of dag van de week zou willen.
Spotify begrijpt ook dat gebruikers hun muzieksmaak in de loop van de tijd vaak ontwikkelen. Gezien dit feit, legt de Spotify-aanbevelingsengine meer gewicht op recente activiteit dan historische gegevens.
Conclusie
Hoewel platforms zoals Apple Music meer beschikbare nummers hebben en services zoals TIDAL high-fidelity-geluid beloven, blijft Spotify het wereldwijde marktaandeel van muziekabonnees domineren. Een deel van dat succes is de effectiviteit van het aanbevelingssysteem, dat het resultaat is van meer dan tien jaar onderzoek en herhaling.
Het doel van Spotify's aanbevelingssysteem is om gebruikers een bevredigende ervaring te bieden waardoor ze een lange tijd op het platform kunnen doorbrengen. Gebruikersbehoud is een belangrijke maatstaf voor succes als het gaat om online abonnementsdiensten zoals Spotify.
Volgens Oskar Stal, VP van personalisatie bij Spotify, heeft het platform tot doel "de hoeveelheid zinvollere audio in je leven te vergroten". Door het gebruik van algoritmen voor machine learning, kan Spotify geweldige aanbevelingen doen aan zijn gebruikers en artiesten helpen groeien en de kans krijgen om gehoord te worden.
Laat een reactie achter