Spotify는 기계 학습 모델을 사용하여 음악을 어떻게 추천합니까?

Spotify는 스마트 예측 및 사용자 추천을 사용하는 최고의 음악 앱 중 하나입니다. 우리의 취향에 맞게 재생 목록을 수동으로 검색, 다운로드 및 선별하던 시대는 지났습니다. 기계 학습 및 데이터 과학의 현재 시대는 Spotify와 같은 앱이 사용자의 취향과 취향을 이해하고 그에 따라 노래와 선별된 재생 목록을 추천하는 것을 가능하게 했습니다.

이 튜토리얼을 마치면 다음에 대해 알게 될 것입니다.

• Spotify와 그 독특한 기능
• Spotify가 스마트한 예측을 하는 방법
• 그 뒤에 숨겨진 기계 학습

스포티파이 – 뮤직 지니

2000년대 초반에 음악을 다운로드하고 듣는 가장 쉽고 편리한 방법은 타사 웹사이트나 불법 복제를 통한 방법이었습니다. 둘 다 먼저 노래를 검색한 다음 다운로드하는 데 시간과 노력이 필요했습니다. 더욱이 좋아하는 노래가 포함된 재생 목록을 만드는 것이 고통이었습니다. 그리고 그것들은 정적 재생 목록이었습니다. 즉, 사용자가 원하는 대로 노래를 수동으로 추가하거나 제거하지 않는 한 재생 목록이 그대로 유지됩니다. 그렇게 편리하지 않습니다.

또 다른 단점은 아티스트의 관점에서 볼 때였습니다. 인기있는 아티스트는 전 세계 차트에 올랐기 때문에 새 앨범을 마케팅하는 데 많은 문제에 직면하지 않았습니다. 그러나 신인 및 독립 아티스트는 자신이 만들고 있는 음악을 좋아하는 광범위한 청중에게 자신의 음악을 제공하기 위해 많은 문제에 직면했습니다. 이것은 잠재적으로 살인적인 많은 예술가들이 결코 잘할 수 없거나 적대적인 레코드 회사에 항복해야 한다는 것을 의미했습니다.

스포티파이는 판도를 바꿨다. 2008년 스웨덴에서 시작된 Spotify는 음악 스트리밍 산업을 주류로 전환하는 것을 목표로 했습니다. 오늘날 Spotify는 매달 약 3억 4,500만 명의 활성 사용자를 자랑합니다. Spotify는 핵심에서 기계 학습 및 데이터 과학을 활용하고 청취 습관, 위치, 연령 등으로부터 수집한 데이터를 기반으로 청취자를 위한 추천 및 선별된 재생 목록을 만듭니다.

이제 청취자는 자신의 취향에 맞는 음악을 수동으로 검색하고 다운로드하는 데 시간을 할애할 필요가 없습니다. 그들은 이제 그들을 위해 특별히 만들어진 재생 목록을 얻습니다. 또한 매주 새로운 노래와 아티스트에 노출되며 그렇지 않으면 발견하지 못했을 것입니다. 이것은 기계 학습을 사용하여 수행됩니다.

이뿐만 아니라 아티스트들도 지금 이점을 누리고 있습니다. 예술가들은 그렇지 않았다면 얻지 못했을 청중을 얻습니다. 그들의 음악은 그러한 유형의 음악을 좋아하는 청취자에게 자동으로 추천됩니다. 그래서, 그것은 윈-윈입니다! 이제 기계 학습 모델을 활용하는 방법을 살펴보겠습니다.

세계 최고의 대학에서 온라인으로 ML 과정 에 참여하십시오. 석사, 대학원 대학원 과정, ML 및 AI 고급 인증 프로그램을 통해 빠르게 경력을 쌓을 수 있습니다.

Spotify는 기계 학습과 데이터 과학을 어떻게 활용합니까?

Spotify는 기계 학습을 활용하여 사용자에게 4가지 주요 기능을 제공합니다. 여기에는 다음이 포함됩니다.

• 홈 페이지 재생 목록: 사용자가 앱을 실행하는 즉시 홈페이지에 표시되는 재생 목록 권장 사항입니다.
• 디스커버 위클리: 청취자의 취향에 따라 신곡으로 새롭게 리프레쉬되는 주간 플레이리스트 추천입니다.
• 데일리 믹스 : 리스너가 가장 많이 재생하고 좋아하는 곡들로 구성된 데일리 플레이리스트입니다.
• 타임캡슐: 고전 명곡과 기타 인기 있는 레트로 노래를 포함하는 혼합 재생 목록입니다.

이 중 Discover Weekly 기능은 Spotify가 제공하는 주력 기능입니다. 매주 월요일 선별된 재생 목록에서 50곡의 신곡을 추천하는 머신 러닝 및 빅 데이터 기반 모델을 사용합니다. 이것은 Spotify가 오늘날의 위치에 도달하는 데 도움이 되었습니다. 이 기능은 사람들을 앱에 묶을 뿐만 아니라 더 많은 데이터를 생성하므로 시간이 지남에 따라 권장 사항이 개선됩니다.

Discover Weekly의 경우 Spotify는 큐레이트된 재생 목록에 대한 행동과 만족도를 이해하기 위해 많은 사용자별 데이터를 수집합니다. 사용자가 재생 목록에서 보낸 시간, 노래가 재생된 횟수, 해당 노래의 앨범 또는 아티스트 페이지에서 보낸 시간, 사용자가 노래를 건너뛰었는지 여부와 같은 데이터를 고려합니다. 사용자가 개인 재생 목록에 저장했는지 여부, 사용자가 Discover Weekly 페이지로 돌아왔는지 여부. Spotify는 Discover Weekly 페이지를 구동하는 3가지 유형의 모델을 사용합니다.

1. 협업 필터링: 협업 필터링은 모든 추천 시스템의 핵심 구성 요소입니다. Netflix도 하나를 사용하고 등급 시스템을 사용하여 영화를 추천합니다. 반면 Spotify는 등급 시스템을 사용하지 않지만 청취자가 권장 사항에 만족하는지 여부를 확인하기 위해 사용자 행동 메트릭에 의존합니다.
2. 자연어 처리: Spotify는 NLP를 활용하여 전 세계의 청취자와 리뷰어가 노래에 사용하는 언어를 이해합니다. 그들의 NLP 시스템은 블로그 게시물, 리뷰 및 사용 가능한 기타 메타데이터의 형태로 사용 가능한 텍스트에 대해 웹을 계속 크롤링합니다. 키워드는 추출된 다음 해당 노래에 대한 벡터 표현으로 노래에 할당됩니다. 블로그에 언급된 유사 아티스트도 유사 아티스트 섹션으로 분류됩니다. NLP 시스템은 또한 특정 아티스트의 블로그에서 여러 번 사용되는 특정 벡터에 가중치를 할당합니다. 그것은 또한 사용되는 트렌드 단어와 그 감정/감정을 추적합니다. 또한 가사와 관련된 태그를 기반으로 유사한 노래를 그룹화하기 위해 Word2Vec과 같은 단어 임베딩 기술을 사용합니다.
3. 오디오 모델: 텍스트 기반 분석 외에도 Spotify는 Convolutional Neural Networks 기반의 오디오 모델도 통합합니다. 이 원시 데이터는 모델이 노래를 클러스터링하고 사용자가 좋아하는 노래에 얼마나 가까운지 확인하는 데 도움이 됩니다. CNN 모델은 음량, 주파수, 템포, 분당 비트 수, 구성, 장르 등과 같은 다양한 노래 특성을 분석합니다. 따라서 리듬, 음색 및 구성이 유사한 노래는 사용자 추천 차트에서 높은 평가를 받습니다.

관련: 기계 학습 모델

미래의 기회

Spotify는 추천 영역에서 매우 잘하고 있지만 개인화 된 추천 영역에서는 여전히 개선해야 합니다. 사용자의 실제 만족도와 Machine Learning 모델이 생각하는 만족도 사이의 격차를 줄여야 합니다. 2017년 프랑스 스타트업 Niland를 인수하여 개인화 기술을 개선했습니다.

사용자가 자신의 취향에 따라 노래를 얻을 수 있도록 권장 사항의 성능이 크게 향상되었습니다. Spotify는 더 나은 방식으로 노래와 재생 목록을 공유하기 위해 더 많은 소셜 미디어 플랫폼으로 변환하려고 할 수도 있습니다.

더 읽어보기: 기계 학습 프로젝트 아이디어 및 주제

가기 전에

점점 더 많은 사용자가 가입함에 따라 Spotify가 처리하는 데이터는 향후 몇 년 동안 크게 증가할 것입니다. 이는 개선된 권장 사항에 대한 더 나은 기회를 의미할 뿐만 아니라 많은 데이터를 처리해야 하는 과제를 의미합니다. 이러한 엄청난 힘으로 Spotify 데이터는 현재 사람들이 듣고 좋아하는 것을 기반으로 주요 비즈니스 결정을 내리는 음악 회사 및 레코드의 핵심이 될 것입니다. 이것은 사용자의 청취를 극대화하기 위한 표적 음악 제작 전략이 될 것입니다.

Spotify는 또한 Podcast 섹션을 변형하여 청취자에게 새로운 Podcast를 훨씬 더 잘 추천할 수 있습니다. 비슷한 주제와 주제에 대해 이야기하는 팟캐스트는 함께 그룹화한 다음 추천에 사용할 수 있습니다. Apple Music 및 YouTube Music과 같은 앱의 경쟁이 심화됨에 따라 음악 기술 공간이 수년 동안 어떻게 발전하는지 보는 것은 흥미로울 것입니다.

의사 결정 트리, 머신 러닝 에 대해 자세히 알아보려면 작업 전문가를 위해 설계되었으며 450시간 이상의 엄격한 교육, 30개 이상의 사례 연구 및 과제, IIIT-B 동문 자격, 5개 이상의 실질적인 실습 캡스톤 프로젝트 및 최고의 기업과의 취업 지원.