Wie verwendet Spotify maschinelle Lernmodelle, um Musik zu empfehlen?

Spotify ist eine der führenden Musik-Apps, die intelligente Vorhersagen und Empfehlungen für ihre Benutzer verwendet. Vorbei sind die Zeiten, in denen wir unsere Playlists manuell suchen, herunterladen und nach unserem Geschmack kuratieren mussten. Die aktuelle Ära des maschinellen Lernens und der Datenwissenschaft hat es Apps wie Spotify ermöglicht, den Geschmack und die Vorlieben der Benutzer zu verstehen und dementsprechend Songs und kuratierte Playlists zu empfehlen.

Am Ende dieses Tutorials verfügen Sie über folgende Kenntnisse:

• Spotify und seine einzigartigen Funktionen
• Wie Spotify smarte Vorhersagen macht
• Das maschinelle Lernen dahinter

Spotify – Das Musikgenie

In den frühen 2000er Jahren war der beste und bequemste Weg, Musik herunterzuladen und anzuhören, entweder von Websites Dritter oder durch Piraterie. Beide brauchten Zeit und Mühe, um den Song zuerst zu suchen und ihn dann herunterzuladen. Noch mehr war es schwierig, Wiedergabelisten mit den Lieblingsliedern zu erstellen. Und das waren statische Wiedergabelisten. Dies bedeutete, dass eine Wiedergabeliste unverändert blieb, es sei denn, der Benutzer fügte Songs nach Belieben manuell hinzu oder entfernte sie. Nicht so bequem.

Ein weiterer Nachteil war aus Sicht des Künstlers. Die beliebten Künstler hatten nicht viele Probleme, ihre Neuerscheinungen zu vermarkten, da sie weltweit in den Charts waren. Aber die neuen und unabhängigen Künstler standen vor vielen Problemen, um ihre Musik einem breiten Publikum zugänglich zu machen, das die Musik, die sie kreieren, mögen würde. Dies bedeutete, dass viele potenzielle Killerkünstler nie gut abschneiden konnten oder sich den feindlichen Plattenfirmen ergeben mussten.

Spotify hat das Spiel verändert. Spotify wurde 2008 in Schweden gegründet und zielte darauf ab, die Musik-Streaming-Industrie zum Mainstream zu machen. Heute hat Spotify monatlich etwa 345 Millionen aktive Nutzer. Spotify nutzt maschinelles Lernen und Datenwissenschaft im Kern und gibt Empfehlungen und kuratierte Wiedergabelisten für seine Hörer basierend auf den Daten, die es aus ihren Hörgewohnheiten, ihrem Standort, ihrem Alter und vielem mehr sammelt.

Die Zuhörer müssen jetzt keine Zeit mehr damit verbringen, Musik ihres Geschmacks manuell zu suchen und herunterzuladen. Sie bekommen jetzt speziell für sie erstellte Playlists. Außerdem werden sie jede Woche neuen Songs und Künstlern ausgesetzt, die sie sonst nicht entdeckt hätten. Dies geschieht ebenfalls mithilfe von Machine Learning.

Nicht nur das, auch die Künstler kommen jetzt in den Vorteil. Die Künstler bekommen das Publikum, das sie sonst nicht bekommen hätten. Ihre Musik wird automatisch den Zuhörern empfohlen, die diese Art von Musik mögen. Es ist also eine Win-Win-Situation! Sehen wir uns nun an, wie Machine-Learning-Modelle genutzt werden.

Nehmen Sie online am ML-Kurs von den besten Universitäten der Welt teil – Masters, Executive Post Graduate Programs und Advanced Certificate Program in ML & AI, um Ihre Karriere zu beschleunigen.

Wie nutzt Spotify maschinelles Lernen und Data Science?

Spotify bietet seinen Benutzern vier Hauptfunktionen, indem es maschinelles Lernen nutzt. Diese schließen ein:

• Startseiten-Playlist: Dies ist die Playlist-Empfehlung, die auf der Startseite angezeigt wird, sobald der Benutzer die App öffnet.
• Discover Weekly: Es ist eine wöchentliche Playlist-Empfehlung, die mit neuen Songs basierend auf dem Geschmack des Hörers aktualisiert wird.
• Täglicher Mix: Es ist eine tägliche Wiedergabeliste, die aus den meistgespielten und beliebtesten Songs des Hörers besteht.
• Time Capsule: Es ist eine gemischte Wiedergabeliste mit alten Klassikern und anderen beliebten Retro-Songs.

Von diesen ist die Discover Weekly-Funktion die Flaggschiff-Funktion, die Spotify anbietet. Es nutzt Machine Learning und Big Data-basierte Modelle, die jeden Montag 50 neue Songs in einer kuratierten Playlist empfehlen. Dies hat Spotify geholfen, dorthin zu gelangen, wo es heute ist. Dieses Feature bindet nicht nur Menschen an die App, sondern generiert auch noch mehr Daten und somit verbessern sich die Empfehlungen mit der Zeit.

Für Discover Weekly sammelt Spotify viele benutzerspezifische Daten, um das Verhalten und die Zufriedenheit mit der kuratierten Playlist zu verstehen. Es berücksichtigt Daten wie die Zeit, die der Benutzer auf der Wiedergabeliste verbracht hat, wie oft die Songs gespielt wurden, die Zeit, die er auf dem Album dieses Songs oder der Künstlerseite verbracht hat, ob der Benutzer einen Song übersprungen hat oder nicht ob der Benutzer es in einer persönlichen Wiedergabeliste gespeichert hat oder nicht, und ob der Benutzer zur Discover Weekly-Seite zurückgekehrt ist oder nicht. Spotify verwendet 3 Arten von Modellen, die seine Discover Weekly-Seite antreiben:

1. Kollaboratives Filtern: Kollaboratives Filtern ist eine Schlüsselkomponente in jedem Empfehlungssystem. Netflix verwendet auch eines und verwendet das Bewertungssystem, um Filme zu empfehlen. Spotify hingegen verwendet kein Bewertungssystem, sondern hängt von den Metriken des Benutzerverhaltens ab, um zu sehen, ob der Hörer mit der Empfehlung zufrieden ist oder nicht.
2. Verarbeitung natürlicher Sprache: Spotify nutzt NLP, um die Sprache zu verstehen, die von Zuhörern und Rezensenten auf der ganzen Welt für die Songs verwendet wird. Ihr NLP-System durchsucht das Internet ständig nach verfügbarem Text in Form von Blog-Posts, Rezensionen und anderen verfügbaren Metadaten. Die Schlüsselwörter werden extrahiert und dann dem Lied als Vektordarstellungen dafür zugeordnet. Ähnliche Künstler, die im Blog erwähnt werden, werden auch in den Abschnitt für ähnliche Künstler eingeordnet. Das NLP-System ordnet auch bestimmten Vektoren Gewichtungen zu, die mehrfach im Blog für diesen bestimmten Künstler verwendet werden. Es verfolgt auch die Trendwörter, die verwendet werden, und ihre Emotionen/Gefühle. Es verwendet auch Wörterinbettungstechniken wie Word2Vec, um ähnliche Songs basierend auf ihren Texten und damit verbundenen Tags zu gruppieren.
3. Audiomodelle: Neben der textbasierten Analyse integriert Spotify auch Audiomodelle, die auf Convolutional Neural Networks basieren. Diese Rohdaten helfen dem Modell, den Song zu gruppieren und zu sehen, wie nahe er dem Geschmack des Benutzers ist. Die CNN-Modelle analysieren verschiedene Songeigenschaften wie Lautstärke, Frequenz, Tempo, Schläge pro Minute, Zusammensetzung, Genre usw. Daher werden Songs mit ähnlichen Rhythmen, Ton und Zusammensetzung in den Empfehlungscharts für den Benutzer hoch bewertet.

Verwandt: Modelle für maschinelles Lernen

Zukunftschancen

Obwohl sich Spotify im Bereich der Empfehlungen sehr gut entwickelt hat, muss es sich im Bereich der personalisierten Empfehlungen noch verbessern. Die Lücke zwischen der tatsächlichen Zufriedenheit des Benutzers und dem, was das Modell des maschinellen Lernens für Zufriedenheit hält, muss geschlossen werden. Sie haben 2017 das französische Startup Niland übernommen, um ihre Personalisierungstechnologie zu verbessern.

Dadurch wurde die Leistung der Empfehlungen erheblich verbessert, sodass Benutzer die Songs nach ihren Wünschen erhalten. Spotify möchte es möglicherweise auch in eine Social-Media-Plattform umwandeln, um Songs und Wiedergabelisten besser zu teilen.

Lesen Sie auch: Ideen und Themen für Machine Learning-Projekte

Bevor du gehst

Da sich immer mehr Benutzer anmelden, werden die Daten, mit denen Spotify umgeht, in den kommenden Jahren erheblich zunehmen. Dies bedeutet nicht nur eine bessere Gelegenheit für verbesserte Empfehlungen, sondern auch eine Herausforderung, so viele Daten zu verarbeiten. Mit solch einer immensen Macht werden Spotify-Daten für die Musikunternehmen und Schallplatten von entscheidender Bedeutung sein, um wichtige Geschäftsentscheidungen auf der Grundlage dessen zu treffen, was die Leute derzeit hören und mögen. Dies wird eine gezielte Strategie zum Musizieren sein, um die Zuhörerschaft der Benutzer zu maximieren.

Spotify kann auch seinen Podcast-Bereich umgestalten, um den Zuhörern neue Podcasts viel besser empfehlen zu können. Podcasts, die ähnliche Themen behandeln, können gruppiert und dann in Empfehlungen verwendet werden. Angesichts der wachsenden Konkurrenz durch Apps wie Apple Music und YouTube Music wird es interessant sein zu sehen, wie sich der Musik-Tech-Bereich im Laufe der Jahre entwickelt.

Wenn Sie mehr über Entscheidungsbäume und maschinelles Lernen erfahren möchten, sehen Sie sich das Executive PG-Programm von IIIT-B & upGrad für maschinelles Lernen und KI an, das für Berufstätige konzipiert ist und mehr als 450 Stunden strenge Schulungen, mehr als 30 Fallstudien und Aufgaben, IIIT-B-Alumni-Status, mehr als 5 praktische praktische Abschlussprojekte und Arbeitsunterstützung bei Top-Unternehmen.