音乐流媒体服务的兴起彻底改变了当前这一代听众接触音乐的方式。 不仅每月支付少量订阅费即可获得数百万首歌曲,算法还在后台积极工作,以提供源源不断的个性化音乐流,以满足您的口味。
领导音乐流媒体战争的是瑞典公司 Spotify。 到 400 年,该平台已发展到每月拥有超过 2022 亿活跃用户。Spotify 不仅是最大的点播音乐服务,还不断突破人工智能和 机器学习 在音乐和音乐推荐的背景下。
Discover Weekly 或 Daily Mix 等播放列表是使用复杂的算法系统创建的,这些算法试图将艺术家和听众匹配在一起。 本文将阐明 Spotify 如何在幕后工作。 我们将深入研究所有这些算法如何协同工作,为用户创建有效的音乐策划服务。
Spotify 如何向您推荐东西?
Spotify 依赖于所谓的推荐系统。 该算法也称为推荐引擎,它创建一个模型来查找并向用户推荐相关项目。 Spotify 已经建立了一个有效的推荐系统,专为向其用户提供定制的播放列表和曲目建议而量身定制。
这种算法在我们的日常生活中几乎无处不在。 推荐系统驱动的功能允许亚马逊、YouTube 和 Facebook 根据您过去与应用程序的交互为您提供相关内容。
Spotify 的推荐引擎需要正确处理两种表示:用户和音乐曲目本身。
代表音乐曲目
在 Spotify 可以向您推荐音乐之前,它的算法必须有某种定量方式来描述其数据库中数百万首曲目中的每一首曲目。
为每个音乐曲目创建配置文件本身就是一个有趣的问题。 Spotify 投入了大量研究,以找到描述其目录中每条记录的最佳模型。
为了解决这个问题,Spotify 使用两种主要方法来创建表示:基于内容的过滤和协同过滤。
让我们看看这些方法的作用以及它们如何协同工作以创建音乐的整体表现。
基于内容的过滤
基于内容的过滤旨在通过检查轨道的实际数据和元数据来描述每个轨道。
当艺术家将音乐上传到 Spotify 的数据库时,他们必须提供实际的音乐文件本身,以及其他信息或元数据。 元数据包括歌曲名称、发行年份、曲目专辑,甚至歌曲本身的长度。
当 Spotify 收到这些文件时,它可以快速使用提供的元数据对歌曲进行分类。 例如,一首 1989 年的英国摇滚单曲可以放入多个播放列表中,例如“Classic British Hits”,甚至“Rock Songs from the 80s”。
原始音频分析
然而,Spotify 更进一步,对原始音频文件本身进行分析,以从曲目中获取一些量化指标。 如果我们看一下 音乐API,我们可以看到其中一些指标。
例如,API 包括一个能量指标,用于测量“强度和活动的感知测量”。 根据文档,该指标来自各种属性,包括动态范围、感知响度和音色。 使用这个指标,Spotify 可以将高能量歌曲分类在一起,并将它们作为推荐给听高强度音乐的用户。
除了能量之外,Spotify 还确定了曲目的活跃度,这是一种检测录音中是否存在听众的指标。 效价是描述曲目积极程度的衡量标准。 高音表示欢快和快乐的音乐,而低音表示悲伤、沮丧或愤怒的音乐。
时间分析
Spotify 还有另一种有趣的分析算法,用于描述曲目的时间结构。 单个曲目分为不同的部分:从部分(合唱、桥接、器乐独奏)到各个节拍本身。 您可以使用这个查看 Spotify 如何描述您喜欢的歌曲的结构 在线工具 向 Spotify API 发送请求。
将时间分析与能量和价等指标相结合可以帮助以更细微的方式表示轨道。 我们可以过滤逐渐增加强度的歌曲,或者找到一路高能量的歌曲。
文字分析
Spotify 的推荐引擎还通过使用自然的方法从与曲目或艺术家相关的文本中提取语义信息。 语言处理模型.
歌词可以帮助进一步了解歌曲的内容。 Spotify 可能会搜索潜在的关键字或 情绪分析 创建新的播放列表或跟踪收音机时。
网络也是了解曲目或艺术家的有用工具。 Spotify 定期对在线媒体和音乐出版物进行网络抓取,以确定真实的人如何描述每首曲目或艺术家。
协同过滤
协同过滤是指您可以通过查看相似用户的习惯来过滤掉用户可能喜欢的项目的方法。
例如,用户 A 可能喜欢艺术家 X 和 Y,而另一个 Spotify 用户 B 也喜欢 X 和 Y。如果用户 B 听了艺术家 Z 的很多歌曲,那么用户 A 可能也喜欢他们。
使用这种方法进行协同过滤的一个问题是用户通常对音乐有更多样化的品味。 艺术家 Z 可能与艺术家 X 和 Y 完全不同。
为了解决这个问题,Spotify 使用了一种协同过滤的变体,它研究了播放列表和收听会话的共现。 简而言之,往往位于同一播放列表中的曲目或人们在同一会话中收听的歌曲更有可能相似。
Spotify 使用这种协同过滤方法将歌曲组合成在分析歌曲内容时可能不明显的类别。
描述用户品味
我们现在有一个很好的表示来描述曲目或艺术家。 那么我们如何找到合适的用户来推荐歌曲呢?
Spotify 应该解决的另一个具有挑战性的问题是了解其用户的音乐品味。
当您第一次创建 Spotify 帐户时,您可能会注意到 Spotify 会要求您选择一些您想要关注的流派或艺术家。 这是确定用户想听什么类型的音乐的第一步。
之后,Spotify 的推荐引擎会跟踪您的整个收听活动。 如果您搜索的只是古典音乐,Spotify 为您提供更多古典音乐建议是有意义的。
但是,聆听曲目只是要考虑的最基本的信号。 Spotify 还会查看您跳过的歌曲、您保存的曲目以及您关注的艺术家。 这些类型的交互是明确的或主动的反馈。
最重要的是,Spotify 还研究了隐式反馈。 这包括聆听会话的长度或重复歌曲的频率。
使用所有这些交互,Spotify 现在应该能够找出你对流派、心情和时代的偏好。 该平台还可以预测您在一天中的特定时间或一周中的一天可能喜欢哪种类型的音乐。
Spotify 还了解到,随着时间的推移,用户经常会培养他们对音乐的品味。 考虑到这一事实,Spotify 推荐引擎更重视最近的活动而不是历史数据。
结论
尽管 Apple Music 等平台拥有更多可用歌曲,并且 TIDAL 等服务承诺提供高保真声音,但 Spotify 继续主导着全球音乐用户的市场份额。 成功的部分原因在于其推荐系统的有效性,这是十多年研究和迭代的产物。
Spotify 推荐系统的目标是为用户提供令人满意的体验,使他们能够在平台上花费很长时间。 对于 Spotify 等在线订阅服务,用户留存率是成功的关键指标。
根据 Spotify 个性化副总裁 Oskar Stal 的说法,该平台旨在“增加生活中更有意义的音频数量”。 通过使用 机器学习算法, Spotify 能够向其用户提供出色的推荐,并帮助艺术家成长并有机会被听到。
发表评论