W jaki sposób Spotify wykorzystuje modele uczenia maszynowego do polecania muzyki?

Spotify to jedna z wiodących aplikacji muzycznych, która wykorzystuje inteligentne przewidywania i rekomendacje dla swoich użytkowników. Dawno minęły czasy, kiedy ręcznie wyszukiwaliśmy, pobieraliśmy i wybieraliśmy nasze listy odtwarzania, aby dopasować je do naszego gustu. Obecna era uczenia maszynowego i nauki o danych umożliwiła aplikacjom takim jak Spotify zrozumienie gustów i upodobań użytkowników, a tym samym polecanie utworów i wyselekcjonowanych list odtwarzania.

Pod koniec tego samouczka zdobędziesz wiedzę na następujące tematy:

• Spotify i jego unikalne funkcje
• Jak Spotify tworzy inteligentne prognozy
• Stojące za tym uczenie maszynowe

Spotify – Muzyka Genie

Na początku XXI wieku najlepszym i najwygodniejszym sposobem pobierania i słuchania muzyki było korzystanie ze stron internetowych osób trzecich lub piractwo. Obaj wymagali czasu i wysiłku, aby najpierw wyszukać utwór, a następnie go pobrać. Co więcej, problemem było tworzenie list odtwarzania zawierających ulubione piosenki. A to były statyczne playlisty. Oznaczało to, że lista odtwarzania pozostanie taka, jaka jest, chyba że użytkownik ręcznie doda lub usunie utwory zgodnie z własnymi upodobaniami. Nie tak wygodne.

Kolejnym minusem była perspektywa artysty. Popularni artyści mieli niewiele problemów z wprowadzaniem na rynek swoich nowych wydawnictw, ponieważ pojawiali się na listach przebojów na całym świecie. Ale nowi i niezależni artyści musieli stawić czoła wielu problemom, aby dotrzeć ze swoją muzyką do szerokiej publiczności, która chciałaby tworzyć muzykę. Oznaczało to, że wielu potencjalnie zabójczych artystów nigdy nie radziło sobie dobrze lub musiało poddać się wrogim wytwórniom płytowym.

Spotify zmienił grę. Uruchomiony w 2008 roku w Szwecji serwis Spotify miał na celu przekształcenie branży strumieniowania muzyki w główny nurt. Dziś Spotify może pochwalić się około 345 milionami aktywnych użytkowników miesięcznie. Spotify wykorzystuje uczenie maszynowe i naukę o danych u podstaw i tworzy rekomendacje oraz wyselekcjonowane listy odtwarzania dla swoich słuchaczy na podstawie danych gromadzonych na podstawie ich nawyków słuchowych, lokalizacji, wieku i wielu innych.

Słuchacze nie muszą teraz tracić czasu na ręczne wyszukiwanie i pobieranie muzyki według własnego gustu. Teraz dostają playlisty stworzone specjalnie dla nich. Co więcej, co tydzień mają kontakt z nowymi piosenkami i artystami, których inaczej by nie odkryli. Odbywa się to również za pomocą uczenia maszynowego.

Nie tylko to, ale i artyści mają teraz przewagę. Artyści zdobywają publiczność, której inaczej by nie dostali. Ich muzyka jest automatycznie polecana słuchaczom lubiącym ten rodzaj muzyki. Więc jest to korzystne dla obu stron! Zobaczmy teraz, jak wykorzystywane są modele uczenia maszynowego.

Dołącz do kursu ML online z najlepszych uniwersytetów na świecie — Masters, Executive Post Graduate Programs i Advanced Certificate Program w ML & AI, aby przyspieszyć swoją karierę.

Jak Spotify wykorzystuje uczenie maszynowe i analizę danych?

Spotify oferuje swoim użytkownikom cztery główne funkcje, wykorzystując uczenie maszynowe. Obejmują one:

• Lista odtwarzania na stronie głównej: Jest to rekomendacja listy odtwarzania, która pojawia się na stronie głównej, gdy tylko użytkownik otworzy aplikację.
• Discover Weekly: Jest to cotygodniowa rekomendacja listy odtwarzania, która jest odświeżana o nowe utwory w oparciu o gust słuchacza.
• Dzienny Mix: Jest to codzienna playlista składająca się z najczęściej odtwarzanych i lubianych przez słuchacza utworów.
• Time Capsule: To mieszana playlista zawierająca stare klasyki i inne popularne piosenki retro.

Spośród nich funkcja Discover Weekly jest flagową funkcją oferowaną przez Spotify. Wykorzystuje modele oparte na uczeniu maszynowym i Big Data, które w każdy poniedziałek polecają 50 nowych utworów z wyselekcjonowanej playlisty. Pomogło to Spotify dotrzeć tam, gdzie jest dzisiaj. Ta funkcja nie tylko wiąże ludzi z aplikacją, ale także generuje jeszcze więcej danych, dzięki czemu rekomendacje poprawiają się z czasem.

W przypadku Discover Weekly Spotify gromadzi wiele danych dotyczących użytkownika, aby zrozumieć zachowanie i satysfakcję z wyselekcjonowanej listy odtwarzania. Uwzględnia dane, takie jak czas spędzony przez użytkownika na liście odtwarzania, liczba odtworzeń utworów, ilość czasu spędzonego na albumie tego utworu lub stronie wykonawcy, czy użytkownik pominął utwór, czy nie, jeśli użytkownik zapisał go do osobistej listy odtwarzania, czy nie, i czy wrócił do strony Discover Weekly, czy nie. Spotify używa 3 typów modeli, które zasilają swoją stronę Discover Weekly:

1. Collaborative Filtering: Collaborative Filtering to kluczowy element każdego systemu rekomendacji. Netflix również używa jednego i używa systemu ocen do polecania filmów. Z drugiej strony Spotify nie używa żadnego systemu ocen, ale zależy od metryk zachowania użytkownika, aby sprawdzić, czy słuchacz jest zadowolony z rekomendacji, czy nie.
2. Przetwarzanie języka naturalnego: Spotify wykorzystuje NLP, aby zrozumieć język używany przez słuchaczy i recenzentów piosenek na całym świecie. Ich system NLP przeszukuje sieć w poszukiwaniu dowolnego tekstu dostępnego w postaci postów na blogu, recenzji i wszelkich innych dostępnych metadanych. Słowa kluczowe są wyodrębniane, a następnie przypisywane do utworu jako jego reprezentacje wektorowe. Podobni artyści wymienieni na blogu są również umieszczani w sekcji podobnych artystów. System NLP przypisuje również wagi do niektórych wektorów, które są wielokrotnie używane na blogu dla tego konkretnego artysty. Śledzi również popularne słowa, które są używane, a także ich emocje / sentymenty. Wykorzystuje również techniki osadzania słów, takie jak Word2Vec, do grupowania podobnych utworów na podstawie ich tekstów i powiązanych z nimi tagów.
3. Modele audio: Oprócz analizy tekstowej Spotify zawiera również modele audio oparte na Convolutional Neural Networks. Te nieprzetworzone dane pomagają modelowi zgrupować utwór i zobaczyć, jak bardzo jest on zbliżony do upodobań użytkownika. Modele CNN analizują różne cechy utworów, takie jak głośność, częstotliwość, tempo, liczba uderzeń na minutę, kompozycja, gatunek itp. Dlatego utwory o podobnym rytmie, tonie i kompozycji będą wysoko oceniane na listach rekomendacji dla użytkownika.

Powiązane: Modele uczenia maszynowego

Przyszłe możliwości

Chociaż Spotify radzi sobie bardzo dobrze w obszarze rekomendacji, nadal wymaga poprawy w obszarze spersonalizowanych rekomendacji. Trzeba zlikwidować lukę między faktycznym zadowoleniem użytkownika a tym, co według modelu Machine Learning jest satysfakcją. W 2017 roku przejęli francuski startup Niland, aby ulepszyć swoją technologię personalizacji.

To znacznie poprawiło wydajność rekomendacji, dzięki czemu użytkownicy otrzymują utwory zgodnie z własnymi upodobaniami. Spotify może również chcieć przekształcić go w platformę mediów społecznościowych do lepszego udostępniania utworów i list odtwarzania.

Przeczytaj także: Pomysły i tematy projektów uczenia maszynowego

Zanim pójdziesz

Wraz z rejestracją coraz większej liczby użytkowników dane, którymi zajmuje się Spotify, znacznie wzrosną w nadchodzących latach. Oznacza to nie tylko lepszą możliwość uzyskania lepszych rekomendacji, ale także wyzwanie w zakresie przetwarzania tak dużej ilości danych. Dzięki tak ogromnej mocy dane Spotify będą kluczowe dla firm muzycznych i nagrań, a także do podejmowania kluczowych decyzji biznesowych w oparciu o to, czego obecnie słuchają i co lubią ludzie. Będzie to ukierunkowana strategia tworzenia muzyki, aby zmaksymalizować słuchaczy wśród użytkowników.

Spotify może również przekształcić swoją sekcję Podcastów, aby znacznie lepiej polecać nowe podcasty słuchaczom. Podcasty poruszające podobne tematy i tematy można pogrupować, a następnie wykorzystać w rekomendacjach. Wraz z rosnącą konkurencją ze strony aplikacji takich jak Apple Music i YouTube Music, ciekawie będzie zobaczyć, jak na przestrzeni lat rozwija się przestrzeń technologii muzycznych.

Jeśli chcesz dowiedzieć się więcej o drzewach decyzyjnych, uczeniu maszynowym, zapoznaj się z programem Executive PG w zakresie uczenia maszynowego i sztucznej inteligencji IIIT-B i upGrad, który jest przeznaczony dla pracujących profesjonalistów i oferuje ponad 450 godzin rygorystycznego szkolenia, ponad 30 studiów przypadków i zadania, status absolwentów IIIT-B, ponad 5 praktycznych praktycznych projektów zwieńczenia i pomoc w pracy z najlepszymi firmami.