Comment Spotify utilise-t-il des modèles d'apprentissage automatique pour recommander de la musique ?

Spotify est l'une des principales applications musicales qui utilise des prédictions intelligentes et des recommandations à ses utilisateurs. Fini le temps où nous avions l'habitude de rechercher, télécharger et organiser manuellement nos listes de lecture à notre goût. L'ère actuelle de l'apprentissage automatique et de la science des données a permis à des applications comme Spotify de comprendre les goûts et les goûts des utilisateurs et de recommander en conséquence des chansons et des listes de lecture organisées.

À la fin de ce didacticiel, vous aurez les connaissances suivantes :

• Spotify et ses fonctionnalités uniques
• Comment Spotify fait des prédictions intelligentes
• L'apprentissage automatique derrière tout cela

Spotify – Le génie de la musique

Au début des années 2000, le meilleur et le plus pratique moyen de télécharger et d'écouter de la musique était soit à partir de sites Web tiers, soit par piratage. Les deux ont eu besoin de temps et d'efforts pour d'abord rechercher la chanson, puis la télécharger. Plus encore, la difficulté était de créer des listes de lecture contenant les chansons préférées. Et c'étaient des listes de lecture statiques. Cela signifiait qu'une liste de lecture resterait telle quelle à moins que l'utilisateur n'ajoute ou ne supprime manuellement des chansons selon son goût. Pas si pratique.

Un autre inconvénient était du point de vue de l'artiste. Les artistes populaires n'ont rencontré que peu de problèmes pour commercialiser leurs nouvelles versions, car ils étaient partout dans les charts du monde entier. Mais les nouveaux artistes indépendants ont dû faire face à de nombreux problèmes pour diffuser leur musique auprès d'un large public qui aimerait la musique qu'ils créent. Cela signifiait que beaucoup d'artistes potentiellement tueurs n'ont jamais pu bien faire ou ont dû se rendre aux maisons de disques hostiles.

Spotify a changé la donne. Lancé en 2008 en Suède, Spotify visait à transformer l'industrie du streaming musical en courant dominant. Aujourd'hui, Spotify compte environ 345 millions d'utilisateurs actifs par mois. Spotify s'appuie sur l'apprentissage automatique et la science des données et fait des recommandations et des listes de lecture organisées pour ses auditeurs en fonction des données qu'il recueille sur leurs habitudes d'écoute, leur emplacement, leur âge et bien d'autres.

Les auditeurs n'ont plus besoin de passer du temps à rechercher et à télécharger manuellement la musique de leur goût. Ils reçoivent désormais des listes de lecture spécialement conçues pour eux. De plus, ils sont exposés chaque semaine à de nouvelles chansons et à de nouveaux artistes qu'ils n'auraient pas découverts autrement. Cela se fait également à l'aide de Machine Learning.

Non seulement cela, mais les artistes ont également l'avantage maintenant. Les artistes obtiennent le public qu'ils n'auraient pas eu autrement. Leur musique est automatiquement recommandée aux auditeurs qui aiment ce type de musique. Alors, c'est gagnant-gagnant ! Voyons maintenant comment les modèles d'apprentissage automatique sont exploités.

Rejoignez le cours ML en ligne des meilleures universités du monde - Masters, Executive Post Graduate Programs et Advanced Certificate Program in ML & AI pour accélérer votre carrière.

Comment Spotify tire-t-il parti de l'apprentissage automatique et de la science des données ?

Spotify propose quatre fonctionnalités principales à ses utilisateurs en tirant parti de l'apprentissage automatique. Ceux-ci inclus:

• Liste de lecture de la page d'accueil : il s'agit de la recommandation de liste de lecture qui apparaît sur la page d'accueil dès que l'utilisateur ouvre l'application.
• Discover Weekly : Il s'agit d'une recommandation de playlist hebdomadaire qui est actualisée avec de nouvelles chansons en fonction des goûts de l'auditeur.
• Daily Mix : Il s'agit d'une liste de lecture quotidienne composée des chansons les plus jouées et les plus appréciées de l'auditeur.
• Time Capsule : Il s'agit d'une liste de lecture mixte contenant de vieux classiques et d'autres chansons rétro populaires.

Parmi celles-ci, la fonctionnalité Discover Weekly est la fonctionnalité phare proposée par Spotify. Il utilise des modèles basés sur l'apprentissage automatique et le Big Data qui recommandent 50 nouvelles chansons dans une liste de lecture organisée chaque lundi. Cela a aidé Spotify à atteindre ce qu'il est aujourd'hui. Cette fonctionnalité lie non seulement les gens à l'application, mais elle génère également encore plus de données et, par conséquent, les recommandations s'améliorent avec le temps.

Pour Discover Weekly, Spotify rassemble de nombreuses données spécifiques à l'utilisateur pour comprendre le comportement et la satisfaction à l'égard de la liste de lecture organisée. Il prend en compte des données telles que le temps passé par l'utilisateur sur la liste de lecture, le nombre de fois que les chansons ont été lues, le temps passé sur l'album de cette chanson ou la page de l'artiste, si l'utilisateur a sauté une chanson ou non, si le l'utilisateur l'a enregistré dans une liste de lecture personnelle ou non, et si l'utilisateur est revenu ou non sur la page Discover Weekly. Spotify utilise 3 types de modèles qui alimentent sa page Discover Weekly :

1. Filtrage collaboratif : Le filtrage collaboratif est un élément clé de tout système de recommandation. Netflix en utilise également un et utilise le système de classement pour recommander des films. Spotify, d'autre part, n'utilise aucun système de notation mais dépend des mesures de comportement de l'utilisateur pour voir si l'auditeur est satisfait de la recommandation ou non.
2. Traitement du langage naturel : Spotify utilise le NLP pour comprendre le langage utilisé par les auditeurs et les critiques du monde entier pour les chansons. Leur système NLP continue d'explorer le Web à la recherche de tout texte disponible sous forme d'articles de blog, de critiques et de toute autre métadonnée disponible. Les mots-clés sont extraits puis attribués à la chanson en tant que représentations vectorielles de celle-ci. Les artistes similaires mentionnés dans le blog sont également regroupés dans la section des artistes similaires. Le système NLP attribue également des poids à certains vecteurs qui sont utilisés plusieurs fois dans le blog pour cet artiste spécifique. Il garde également une trace des mots tendance qui sont utilisés ainsi que de leur émotion/sentiment. Il utilise également des techniques d'intégration de mots comme Word2Vec pour regrouper des chansons similaires en fonction de leurs paroles et des balises qui leur sont associées.
3. Modèles audio : outre l'analyse textuelle, Spotify intègre également des modèles audio basés sur les réseaux de neurones convolutifs. Ces données brutes aident le modèle à regrouper la chanson et à voir à quel point elle est proche du goût de l'utilisateur. Les modèles CNN analysent différentes caractéristiques de la chanson telles que le volume, la fréquence, le tempo, les battements par minute, la composition, le genre, etc. Par conséquent, les chansons avec des rythmes, un ton et une composition similaires seront classées en tête des tableaux de recommandation pour l'utilisateur.

En relation : Modèles d'apprentissage automatique

Opportunités futures

Bien que Spotify se soit très bien comporté dans le domaine des recommandations, il doit encore s'améliorer dans le domaine des recommandations personnalisées. L'écart entre la satisfaction réelle de l'utilisateur et ce que le modèle d'apprentissage automatique pense être la satisfaction doit être comblé. Ils ont acquis une startup française Niland en 2017 pour améliorer leur technologie de personnalisation.

Cela a considérablement amélioré les performances des recommandations, permettant aux utilisateurs d'obtenir les chansons en fonction de leurs goûts. Spotify pourrait également chercher à le convertir en une plate-forme de médias sociaux pour mieux partager des chansons et des listes de lecture.

Lisez aussi : Idées et sujets de projets d'apprentissage automatique

Avant que tu partes

Avec de plus en plus d'utilisateurs s'inscrivant, les données traitées par Spotify vont augmenter de manière significative dans les années à venir. Cela signifie non seulement une meilleure opportunité d'améliorer les recommandations, mais également un défi pour gérer autant de données. Avec un pouvoir aussi immense, les données Spotify seront également essentielles pour les sociétés de musique et les disques pour prendre des décisions commerciales clés en fonction de ce que les gens écoutent et aiment actuellement. Il s'agira d'une stratégie de création musicale ciblée pour maximiser les écoutes parmi les utilisateurs.

Spotify peut également transformer sa section Podcasts pour l'améliorer en recommandant de nouveaux podcasts aux auditeurs. Les podcasts qui traitent de thèmes et de sujets similaires peuvent être regroupés puis utilisés dans des recommandations. Avec la concurrence croissante d'applications comme Apple Music et YouTube Music, il sera intéressant de voir comment l'espace de la technologie musicale se développe au fil des ans.

Si vous souhaitez en savoir plus sur les arbres de décision, l'apprentissage automatique, consultez le programme Executive PG d'IIIT-B & upGrad en apprentissage automatique et IA , conçu pour les professionnels en activité et offrant plus de 450 heures de formation rigoureuse, plus de 30 études de cas et affectations, statut IIIT-B Alumni, 5+ projets de synthèse pratiques et aide à l'emploi avec les meilleures entreprises.