A ascensão dos serviços de streaming de música mudou completamente a forma como a atual geração de ouvintes aborda a música. Além de milhões de músicas disponíveis por uma pequena taxa de assinatura mensal, os algoritmos trabalham ativamente em segundo plano para fornecer um fluxo constante de músicas personalizadas ao seu gosto.
Liderando as guerras de streaming de música está a empresa sueca Spotify. A plataforma cresceu para acumular mais de 400 milhões de usuários ativos mensais em 2022. Além de ser o maior serviço de música sob demanda, o Spotify constantemente ultrapassa os limites da IA e aprendizado de máquina no contexto da música e recomendação musical.
Listas de reprodução como Discover Weekly ou Daily Mix são criadas usando um complexo sistema de algoritmos que tentam combinar artistas e ouvintes. Este artigo esclarecerá como o Spotify funciona nos bastidores. Vamos mergulhar em como todos esses algoritmos trabalham juntos para criar serviços eficazes de curadoria de música para os usuários.
Como o Spotify te recomenda coisas?
O Spotify conta com o que é conhecido como sistema de recomendação. Também conhecido como mecanismo de recomendação, o algoritmo cria um modelo para encontrar e recomendar itens relevantes aos usuários. O Spotify construiu um sistema de recomendação eficaz, adaptado para fornecer listas de reprodução personalizadas e acompanhar sugestões para seus usuários.
Esse tipo de algoritmo é praticamente onipresente em nossa vida diária. Os sistemas de recomendação direcionam os recursos que permitem que a Amazon, o YouTube e o Facebook forneçam conteúdo relevante com base em suas interações anteriores com o aplicativo.
O mecanismo de recomendação do Spotify precisa ter duas representações corretas: o usuário e a própria faixa de música.
Representando faixas de música
Antes que o Spotify possa sugerir músicas para você, seus algoritmos devem ter alguma maneira quantitativa de descrever cada uma das milhões de faixas em seu banco de dados.
Criar um perfil para cada faixa de música é um problema interessante por si só. O Spotify investiu em muitas pesquisas para encontrar os melhores modelos para descrever cada disco do seu catálogo.
Para resolver esse problema, o Spotify usa dois métodos principais para criar uma representação: filtragem baseada em conteúdo e filtragem colaborativa.
Vejamos o que cada um desses métodos faz e como eles funcionam juntos para criar uma representação holística da música.
Filtragem baseada em conteúdo
A filtragem baseada em conteúdo visa descrever cada faixa examinando os dados e metadados reais da faixa.
Quando os artistas enviam músicas para o banco de dados do Spotify, eles devem fornecer o próprio arquivo de música real, bem como informações ou metadados adicionais. Os metadados incluem o nome da música, o ano em que foi lançada, o álbum da faixa e até a duração da música em si.
Quando o Spotify recebe esses arquivos, ele pode usar rapidamente os metadados fornecidos para categorizar as músicas. Um single de rock britânico de 1989, por exemplo, pode ser colocado em várias playlists como “Classic British Hits” ou até mesmo “Rock Songs from the 80s”.
Análise de áudio bruto
No entanto, o Spotify dá um passo adiante e realiza uma análise no próprio arquivo de áudio bruto para obter algumas métricas quantitativas da faixa. Se dermos uma olhada no API do Spotify, podemos ver algumas dessas métricas.
Por exemplo, a API inclui uma métrica de energia que mede a “medida perceptiva de intensidade e atividade”. De acordo com a documentação, a métrica é derivada de vários atributos, incluindo faixa dinâmica, intensidade percebida e timbre. Usando essa métrica, o Spotify pode categorizar músicas de alta energia juntas e servi-las como recomendações para usuários que ouvem músicas de alta intensidade.
Além da energia, o Spotify também determina a vivacidade da faixa, métrica que detecta a presença de uma audiência na gravação. A valência é uma medida que descreve o quão positiva é uma faixa. Um som de alta valência indica música alegre e feliz, enquanto um som de baixa valência indica música triste, deprimida ou irritada.
Análise Temporal
O Spotify também possui outro algoritmo de análise interessante que descreve a estrutura temporal da faixa. Uma única faixa é dividida em diferentes segmentos: desde seções (refrão, ponte, solo instrumental), até as próprias batidas individuais. Você pode conferir como o Spotify descreve a estrutura de suas músicas favoritas usando este ferramenta on-line que envia uma solicitação para a API do Spotify.
Combinar a análise temporal com métricas como energia e valência pode ajudar a representar a pista de maneira mais sutil. Podemos filtrar músicas que aumentam gradualmente em intensidade ou encontrar músicas que são de alta energia o tempo todo.
Análise de Texto
O mecanismo de recomendação do Spotify também extrai informações semânticas do texto relacionado à faixa ou artista por meio do uso de modelos de processamento de linguagem.
As letras das músicas podem ajudar a entender melhor o conteúdo da música. É possível que o Spotify pesquise por palavras-chave ou análise de sentimentos ao criar novas listas de reprodução ou faixas de rádio.
A web também é uma ferramenta útil para entender uma faixa ou artista. O Spotify realiza regularmente levantamentos na web de meios de comunicação online e publicações musicais para determinar como as pessoas reais descrevem cada faixa ou artista.
Filtragem colaborativa
A filtragem colaborativa refere-se à abordagem em que você pode filtrar itens que um usuário pode preferir analisando os hábitos de usuários semelhantes.
Por exemplo, o usuário A pode gostar dos artistas X e Y, e outro usuário do Spotify B também gosta de X e Y. Se o usuário B ouvir muitas músicas do artista Z, é possível que o usuário A também goste delas.
Um problema com a filtragem colaborativa usando esse método é que os usuários geralmente têm um gosto musical mais diversificado. É possível que o artista Z seja um gênero completamente diferente dos artistas X e Y.
Para combater isso, o Spotify usa uma variação de filtragem colaborativa que analisa a co-ocorrência de playlist e sessão de audição. Em termos mais simples, faixas que tendem a estar na mesma lista de reprodução ou músicas que as pessoas ouvem na mesma sessão têm maior probabilidade de serem semelhantes.
O Spotify usa essa abordagem de filtragem colaborativa para agrupar músicas em categorias que podem não ser aparentes ao analisar o conteúdo da música.
Descrevendo o gosto do usuário
Agora temos uma boa representação que descreve uma faixa ou artista. Como podemos encontrar os usuários certos para recomendar as músicas?
Outro problema desafiador que o Spotify deve resolver é entender o gosto musical de seus usuários.
Ao criar uma conta no Spotify, você pode perceber que o Spotify solicitará que você selecione alguns gêneros ou artistas que deseja seguir. Este é o primeiro passo para determinar que tipo de música o usuário deseja ouvir.
Depois, o mecanismo de recomendação do Spotify acompanha toda a sua atividade de audição. Faz sentido que o Spotify ofereça mais sugestões de música clássica se tudo o que você procura é música clássica.
No entanto, ouvir uma faixa é apenas o sinal mais básico a ser considerado. O Spotify também analisa as músicas que você pula, as faixas que você salva e os artistas que você segue. Esses tipos de interações são feedback explícito ou ativo.
Além disso, o Spotify também analisa o feedback implícito. Isso inclui a duração da sessão de audição ou a frequência com que você repete uma música.
Usando todas essas interações, o Spotify agora deve descobrir suas preferências de gênero, humor e época. A plataforma também pode prever que tipo de música você prefere em um horário específico do dia ou dia da semana.
O Spotify também entende que os usuários costumam desenvolver seu gosto musical ao longo do tempo. Considerando esse fato, o mecanismo de recomendação do Spotify dá mais peso à atividade recente em relação aos dados históricos.
Conclusão
Embora plataformas como a Apple Music tenham mais músicas disponíveis e serviços como o TIDAL prometam som de alta fidelidade, o Spotify continua dominando a participação de mercado global de assinantes de música. Parte desse sucesso é a eficácia de seu sistema de recomendação, que é produto de mais de uma década de pesquisa e iteração.
O objetivo do sistema de recomendação do Spotify é proporcionar uma experiência satisfatória aos usuários que lhes permita passar muito tempo na plataforma. A retenção de usuários é uma métrica fundamental para o sucesso quando se trata de serviços de assinatura online, como o Spotify.
De acordo com Oskar Stal, vice-presidente de personalização do Spotify, a plataforma visa “aumentar a quantidade de áudio mais significativo em sua vida”. Através do uso de algoritmos de aprendizado de máquina, o Spotify é capaz de entregar ótimas recomendações aos seus usuários e ajudar os artistas a crescer e ter a oportunidade de serem ouvidos.
Deixe um comentário