音樂流媒體服務的興起徹底改變了當代聽眾對待音樂的方式。 每月只需支付少量訂閱費即可獲得數百萬首歌曲,算法會在後台積極工作,持續提供符合您品味的個性化音樂。
引領音樂流媒體大戰的是總部位於瑞典的 Spotify 公司。 到 400 年,該平台的月活躍用戶數量已超過 2022 億。Spotify 除了成為最大的點播音樂服務商之外,還不斷突破人工智能和人工智能的界限 機器學習 在音樂和音樂推薦的背景下。
諸如 Discover Weekly 或 Daily Mix 之類的播放列表是使用複雜的算法系統創建的,該系統試圖將藝術家和聽眾匹配在一起。 本文將揭示 Spotify 的幕後運作方式。 我們將深入研究所有這些算法如何協同工作,為用戶創建有效的音樂策劃服務。
Spotify 如何向您推薦內容?
Spotify 依賴於所謂的推薦系統。 該算法也稱為推薦引擎,它創建一個模型來查找並向用戶推薦相關項目。 Spotify 建立了一個有效的推薦系統,專為向用戶提供定制的播放列表和曲目建議而量身定制。
這種類型的算法在我們的日常生活中幾乎無處不在。 推薦系統驅動的功能允許 Amazon、YouTube 和 Facebook 根據您過去與應用程序的交互為您提供相關內容。
Spotify 的推薦引擎需要獲得兩種正確的表示:用戶和音樂曲目本身。
代表音樂曲目
在 Spotify 向您推薦音樂之前,其算法必須採用某種定量方式來描述數據庫中數百萬首曲目中的每首曲目。
為每首音樂曲目創建配置文件本身就是一個有趣的問題。 Spotify 投入了大量研究來尋找描述其目錄中每張唱片的最佳模型。
為了解決這個問題,Spotify 使用兩種主要方法來創建表示:基於內容的過濾和協作過濾。
讓我們看看這些方法各自的作用以及它們如何協同工作來創建音樂的整體表示。
基於內容的過濾
基於內容的過濾旨在通過檢查曲目的實際數據和元數據來描述每個曲目。
當藝術家將音樂上傳到 Spotify 的數據庫時,他們必須提供實際的音樂文件本身,以及附加信息或元數據。 元數據包括歌曲的名稱、發行年份、歌曲的專輯,甚至歌曲本身的長度。
當 Spotify 收到這些文件時,它可以快速使用提供的元數據對歌曲進行分類。 例如,一首 1989 年的英國搖滾單曲可以放入多個播放列表中,例如“經典英國熱門歌曲”甚至“80 年代搖滾歌曲”。
原始音頻分析
然而,Spotify 更進一步,對原始音頻文件本身進行分析,以從曲目中獲取一些定量指標。 如果我們看一下 音樂API,我們可以看到其中一些指標。
例如,API 包含一個能量指標,用於測量“強度和活動的感知測量”。 根據文檔,該指標源自各種屬性,包括動態範圍、感知響度和音色。 使用這個指標,Spotify 可以將高能量歌曲分類在一起,並將它們作為推薦給聽高強度音樂的用戶。
除了能量之外,Spotify 還確定曲目的活躍度,這是一個檢測錄音中是否有觀眾的指標。 效價是描述軌道積極程度的度量。 高價聲音表示歡快、快樂的音樂,而較低價聲音表示悲傷、沮喪或憤怒的音樂。
時間分析
Spotify 還有另一個有趣的分析算法,可以描述曲目的時間結構。 單個曲目分為不同的部分:從部分(合唱、橋段、器樂獨奏)到各個節拍本身。 您可以使用以下命令查看 Spotify 如何描述您喜愛的歌曲的結構 在線工具 向 Spotify API 發送請求。
將時間分析與能量和價態等指標相結合可以幫助以更細緻的方式表示軌道。 我們可以篩選強度逐漸增強的歌曲,或者找到自始至終充滿活力的歌曲。
文字分析
Spotify 的推薦引擎還通過使用自然語言從與曲目或藝術家相關的文本中提取語義信息。 語言處理模型.
歌曲歌詞可以幫助進一步理解歌曲的內容。 Spotify 可能會搜索潛在的關鍵字或 情感分析 創建新的播放列表或曲目收音機時。
網絡也是了解曲目或藝術家的有用工具。 Spotify 定期對在線媒體渠道和音樂出版物進行網絡抓取,以確定真實的人們如何描述每首歌曲或藝術家。
協同過濾
協同過濾是指通過研究相似用戶的習慣來過濾用戶可能喜歡的項目的方法。
例如,用戶 A 可能喜歡藝術家 X 和 Y,而另一個 Spotify 用戶 B 也喜歡 X 和 Y。如果用戶 B 聽了藝術家 Z 的很多歌曲,那麼用戶 A 也可能喜歡這些歌曲。
使用這種方法的協同過濾的一個問題是用戶通常對音樂有更多樣化的品味。 藝術家 Z 可能與藝術家 X 和 Y 屬於完全不同的流派。
為了解決這個問題,Spotify 使用了一種協作過濾的變體,可以研究播放列表和收聽會話的同時出現。 簡而言之,往往位於同一播放列表中的曲目或人們在同一會話中收聽的歌曲更有可能相似。
Spotify 使用這種協作過濾方法將歌曲分組到在分析歌曲內容時可能不明顯的類別中。
描述用戶品味
我們現在有了一個很好的表徵來描述曲目或藝術家。 那麼我們如何找到合適的用戶來推薦歌曲呢?
Spotify 應該解決的另一個具有挑戰性的問題是了解用戶的音樂品味。
當您首次創建 Spotify 帳戶時,您可能會注意到 Spotify 會要求您選擇一些您想要關注的流派或藝術家。 這是確定用戶想要聽什麼類型的音樂的第一步。
之後,Spotify 的推薦引擎會跟踪您的整個收聽活動。 如果您搜索的只是古典音樂,Spotify 為您提供更多古典音樂建議是有意義的。
然而,聆聽曲目只是需要考慮的最基本信號。 Spotify 還會調查您跳過的歌曲、您保存的曲目以及您關注的藝術家。 這些類型的交互是明確的或主動的反饋。
除此之外,Spotify 還研究隱性反饋。 這包括聆聽時間的長度或重複歌曲的頻率。
通過所有這些交互,Spotify 現在應該能夠找出您在流派、情緒和時代方面的偏好。 該平台還可以預測您在一天中的特定時間或一周中的某一天可能喜歡什麼類型的音樂。
Spotify 還了解到,用戶的音樂品味往往會隨著時間的推移而發展。 考慮到這一事實,Spotify 推薦引擎更重視近期活動而不是歷史數據。
結論
儘管 Apple Music 等平台提供了更多可用歌曲,並且 TIDAL 等服務承諾提供高保真聲音,但 Spotify 仍然在全球音樂用戶市場份額中佔據主導地位。 這一成功的部分原因在於其推薦系統的有效性,這是十多年來研究和迭代的產物。
Spotify 推薦系統的目標是為用戶提供滿意的體驗,使他們能夠在平台上花費較長時間。 對於 Spotify 等在線訂閱服務而言,用戶保留率是衡量成功的關鍵指標。
Spotify 個性化副總裁 Oskar Stal 表示,該平台的目標是“增加你生活中更有意義的音頻數量”。 通過使用 機器學習算法Spotify 能夠向用戶提供精彩的推薦,幫助藝術家成長並有機會被聽到。
發表評論