Innehållsförteckning[Dölj][Visa]
Framväxten av musikstreamingtjänster har helt förändrat hur den nuvarande generationen lyssnare närmar sig musik. Inte bara är miljontals låtar tillgängliga för en liten månatlig prenumerationsavgift, algoritmer arbetar aktivt i bakgrunden för att leverera en konstant ström av musik anpassad efter din smak.
Leder musikströmningskrigen är det svenskbaserade företaget Spotify. Plattformen har vuxit till att samla över 400 miljoner aktiva användare per månad år 2022. Förutom att vara den största musiktjänsten på begäran tänjer Spotify hela tiden på gränserna för AI och maskininlärning i samband med musik och musikrekommendation.
Spellistor som Discover Weekly eller Daily Mix skapas med hjälp av ett komplext system av algoritmer som försöker matcha artister och lyssnare. Den här artikeln kommer att belysa hur Spotify fungerar bakom kulisserna. Vi kommer att dyka in i hur alla dessa algoritmer samverkar för att skapa en effektiv musikkuratortjänst för användare.
Hur rekommenderar Spotify dig saker?
Spotify förlitar sig på vad som kallas ett rekommendationssystem. Algoritmen, även känd som en rekommendationsmotor, skapar en modell för att hitta och rekommendera relevanta objekt till användare. Spotify har byggt ett effektivt rekommendationssystem som är skräddarsytt för att leverera anpassade spellistor och spårförslag till sina användare.
Denna typ av algoritm är praktiskt taget allestädes närvarande i vårt dagliga liv. Rekommendationssystem driver funktionerna som gör att Amazon, YouTube och Facebook kan ge dig relevant innehåll baserat på dina tidigare interaktioner med appen.
Spotifys rekommendationsmotor måste få två representationer rätt: användaren och själva musikspåret.
Representerar musikspår
Innan Spotify kan föreslå musik till dig måste dess algoritmer ha något kvantitativt sätt att beskriva var och en av de miljontals spåren i deras databas.
Att skapa en profil för varje musikspår är ett intressant problem i sig. Spotify har investerat i massor av forskning för att hitta de bästa modellerna för att beskriva varje skiva i sin katalog.
För att ta itu med detta problem använder Spotify två huvudsakliga metoder för att skapa en representation: innehållsbaserad filtrering och kollaborativ filtrering.
Låt oss titta på vad var och en av dessa metoder gör och hur de fungerar tillsammans för att skapa en holistisk representation av musik.
Innehållsbaserad filtrering
Innehållsbaserad filtrering syftar till att beskriva varje spår genom att undersöka spårets faktiska data och metadata.
När artister laddar upp musik till Spotifys databas måste de tillhandahålla själva musikfilen, samt ytterligare information eller metadata. Metadata inkluderar namnet på låten, året den släpptes, spårets album och till och med längden på själva låten.
När Spotify tar emot dessa filer kan den snabbt använda den tillhandahållna metadatan för att kategorisera låtar. En brittisk rocksingel från 1989 kan till exempel läggas in i flera spellistor som "Classic British Hits" eller till och med "Rock Songs from the 80s".
Råljudanalys
Spotify går dock ett steg längre och utför en analys på själva råljudfilen för att få ut lite kvantitativ statistik från spåret. Om vi tar en titt på Spotify API, kan vi se några av dessa mätvärden.
Till exempel inkluderar API:et ett energimått som mäter det "perceptuella måttet på intensitet och aktivitet." Enligt dokumentationen härleds måtten från olika attribut inklusive dynamiskt omfång, upplevd ljudstyrka och klangfärg. Med hjälp av detta mått kan Spotify kategorisera högenergilåtar tillsammans och tjäna dem som rekommendationer till användare som lyssnar på högintensiv musik.
Förutom energi bestämmer Spotify också spårets livlighet, ett mått som upptäcker närvaron av en publik i inspelningen. Valens är ett mått som beskriver hur positivt ett spår är. Ett ljud med hög valens indikerar glad och glad musik, medan ett ljud med lägre valens indikerar ledsen, deprimerad eller arg musik.
Tidsanalys
Spotify har också en annan intressant analysalgoritm som beskriver banans tidsstruktur. Ett enda spår är uppdelat i olika segment: från sektioner (refräng, bridge, instrumentalsolo) till de enskilda beatsen själva. Du kan kolla in hur Spotify beskriver strukturen på dina favoritlåtar genom att använda detta online-verktyg som skickar en begäran till Spotify API.
Att kombinera den tidsmässiga analysen med mått som energi och valens kan hjälpa till att representera spåret på ett mer nyanserat sätt. Vi kan filtrera igenom låtar som gradvis bygger upp i intensitet, eller hitta låtar som är högenergiska hela vägen igenom.
Textanalys
Spotifys rekommendationsmotor extraherar också semantisk information från text relaterad till spåret eller artisten genom att använda naturliga språkbehandlingsmodeller.
Låttexter kan hjälpa dig att förstå innehållet i låten ytterligare. Det är möjligt att Spotify söker efter potentiella sökord eller känsla analys när du skapar nya spellistor eller spårradio.
Webben är också ett användbart verktyg för att förstå ett spår eller en artist. Spotify utför regelbundet webbskrapor av onlinemedier och musikpublikationer för att avgöra hur verkliga människor beskriver varje låt eller artist.
Samarbetsfiltrering
Samarbetsfiltrering hänvisar till metoden där du kan filtrera bort objekt som en användare kanske föredrar genom att titta på liknande användares vanor.
Användare A kanske gillar artisterna X och Y, och en annan Spotify-användare B gillar också X och Y. Om användare B lyssnar på många låtar från artist Z, är det möjligt att användare A också gillar dem.
Ett problem med kollaborativ filtrering med den här metoden är att användare i allmänhet har en mer varierad musiksmak. Det är möjligt att artist Z är en helt annan genre än artisterna X och Y.
För att bekämpa detta använder Spotify en variant av samarbetsfiltrering som undersöker samtidigt spellistor och lyssnarsessioner. I enklare termer, spår som tenderar att finnas i samma spellista eller låtar som folk lyssnar på i samma session är mer benägna att vara lika.
Spotify använder den här samarbetsfiltreringsmetoden för att gruppera låtar i kategorier som kanske inte är uppenbara när man analyserar innehållet i låten.
Beskriver användarsmak
Vi har nu en bra representation som beskriver ett spår eller artist. Hur hittar vi då rätt användare att rekommendera låtarna till?
Ett annat utmanande problem som Spotify borde lösa är att förstå användarnas musiksmak.
När du först skapar ett Spotify-konto kanske du märker att Spotify kommer att be dig välja några genrer eller artister som du vill följa. Detta är det första steget för att bestämma vilken typ av musik användaren vill lyssna på.
Efteråt håller Spotifys rekommendationsmotor reda på hela din lyssningsaktivitet. Det är vettigt för Spotify att ge dig fler förslag på klassisk musik om allt du söker efter är klassisk musik.
Men att lyssna på ett spår är bara den mest grundläggande signalen att tänka på. Spotify tittar också på låtarna du hoppar över, spår du sparar och artister du följer. Dessa typer av interaktioner är explicit eller aktiv feedback.
Utöver det tittar Spotify också på implicit feedback. Detta inkluderar längden på lyssningssessionen eller hur ofta du upprepar en låt.
Genom att använda alla dessa interaktioner borde Spotify nu kunna ta reda på dina preferenser i genre, humör och era. Plattformen kan också förutsäga vilken typ av musik du kanske föredrar vid en viss tid på dagen eller veckodagen.
Spotify förstår också att användare ofta utvecklar sin musiksmak över tid. Med tanke på detta faktum lägger Spotify-rekommenderarmotorn mer vikt på den senaste aktiviteten jämfört med historiska data.
Slutsats
Även om plattformar som Apple Music har fler tillgängliga låtar och tjänster som TIDAL lovar högtroget ljud, fortsätter Spotify att dominera den globala marknadsandelen för musikprenumeranter. En del av den framgången är effektiviteten av dess rekommendationssystem, som är en produkt av över ett decennium av forskning och iteration.
Målet med Spotifys rekommendationssystem är att ge en tillfredsställande upplevelse för användare som gör att de kan spendera lång tid på plattformen. Användarbehållning är ett nyckelmått för framgång när det kommer till onlineprenumerationstjänster som Spotify.
Enligt Oskar Stal, VP för personalisering på Spotify, syftar plattformen till att "öka mängden mer meningsfullt ljud i ditt liv." Genom användning av maskininlärningsalgoritmer, Spotify kan leverera bra rekommendationer till sina användare och hjälpa artister att växa och få möjlighet att bli hörda.
Kommentera uppropet