Cum folosește Spotify modelele de învățare automată pentru a recomanda muzică?

Spotify este una dintre cele mai importante aplicații muzicale care utilizează predicții inteligente și recomandări pentru utilizatorii săi. S-au dus vremurile în care obișnuiam să căutăm, să descărcam și să ne organizăm manual listele de redare pentru a se potrivi gusturilor noastre. Era actuală a Machine Learning și Data Science a făcut posibil ca aplicații precum Spotify să înțeleagă gusturile și preferințele utilizatorilor și, în consecință, să recomande melodii și liste de redare organizate.

Până la sfârșitul acestui tutorial, veți cunoaște următoarele:

• Spotify și caracteristicile sale unice
• Cum face Spotify predicții inteligente
• Învățarea automată din spatele ei

Spotify – Geniul Muzicii

La începutul anilor 2000, cea mai bună și cea mai convenabilă modalitate de descărcare și ascultare a muzicii a fost fie de pe site-uri web ale unor terțe părți, fie prin piraterie. Ambii au necesitat timp și efort pentru a căuta mai întâi melodia, apoi a o descărca. Mai mult, durerea a fost să creez liste de redare care să conțină melodiile preferate. Și acelea erau liste de redare statice. Acest lucru însemna că o listă de redare va rămâne așa cum este, cu excepția cazului în care utilizatorul a adăugat sau a eliminat manual melodii după bunul plac. Nu atât de convenabil.

Un alt dezavantaj a fost din perspectiva artistului. Artiștii populari nu s-au confruntat cu multe probleme pentru a-și comercializa noile lansări, deoarece erau în toate topurile din întreaga lume. Dar artiștii noi și independenți s-au confruntat cu o mulțime de probleme pentru a-și aduce muzica unui public larg care ar dori muzica pe care o creează. Acest lucru a însemnat că mulți artiști potențial ucigași nu au reușit niciodată să facă bine sau au trebuit să se predea caselor de discuri ostile.

Spotify a schimbat jocul. Lansat în 2008 în Suedia, Spotify și-a propus să transforme industria de streaming de muzică în mainstream. Astăzi, Spotify se mândrește cu aproximativ 345 de milioane de utilizatori activi lunar. Spotify se bazează pe învățarea automată și știința datelor și face recomandări și liste de redare organizate pentru ascultătorii săi pe baza datelor pe care le colectează din obiceiurile lor de ascultare, locație, vârstă și multe altele.

Ascultătorii nu trebuie acum să petreacă timp căutând și descarcând manual muzică pe gustul lor. Acum primesc liste de redare create special pentru ei. Mai mult, ei sunt expuși la melodii și artiști noi în fiecare săptămână, pe care altfel nu le-ar fi descoperit. Acest lucru se face și folosind Machine Learning.

Nu numai asta, dar și artiștii beneficiază acum de avantaj. Artiștii obțin publicul pe care altfel nu l-ar fi primit. Muzica lor este recomandată automat ascultătorilor cărora le place acest tip de muzică. Deci, este un câștig-câștig! Acum, să vedem cum sunt utilizate modelele de învățare automată.

Alăturați-vă cursului de ML online de la cele mai bune universități din lume – Master, Programe Executive Postuniversitare și Program de Certificat Avansat în ML și AI pentru a vă accelera cariera.

Cum folosește Spotify învățarea automată și știința datelor?

Spotify oferă utilizatorilor săi patru funcții principale prin valorificarea Machine Learning. Acestea includ:

• Lista de redare a paginii de pornire: este recomandarea listei de redare care apare pe pagina de pornire de îndată ce utilizatorul deschide aplicația.
• Discover Weekly: este o recomandare săptămânală de playlist care este reîmprospătată cu melodii noi bazate pe gustul ascultătorului.
• Mixaj zilnic: este o listă de redare zilnică care constă din cele mai jucate și apreciate melodii ale ascultătorului.
• Time Capsule: este o listă de redare mixtă care conține clasice vechi și alte melodii retro populare.

Dintre acestea, funcția Discover Weekly este caracteristica emblematică pe care o oferă Spotify. Folosește modele bazate pe Machine Learning și Big Data care recomandă 50 de melodii noi într-o listă de redare organizată în fiecare luni. Acest lucru a ajutat Spotify să ajungă unde este astăzi. Această caracteristică nu numai că leagă oamenii de aplicație, dar generează și mai multe date și, prin urmare, recomandările se îmbunătățesc în timp.

Pentru Discover Weekly, Spotify adună o mulțime de date specifice utilizatorului pentru a înțelege comportamentul și satisfacția față de lista de redare organizată. Ia în considerare date precum cât timp a petrecut utilizatorul pe lista de redare, numărul de ori când melodiile au fost redate, timpul petrecut pe albumul acelei melodii sau pe pagina artistului, dacă utilizatorul a sărit sau nu o melodie, dacă utilizatorul l-a salvat într-o listă de redare personală sau nu și dacă utilizatorul a revenit la pagina Discover Weekly sau nu. Spotify folosește 3 tipuri de modele care alimentează pagina sa Discover Weekly:

1. Filtrare colaborativă: Filtrarea colaborativă este o componentă cheie în orice sistem de recomandare. De asemenea, Netflix folosește unul și folosește sistemul de rating pentru a recomanda filme. Spotify, pe de altă parte, nu folosește niciun sistem de evaluare, dar depinde de valorile comportamentului utilizatorului pentru a vedea dacă ascultătorul este mulțumit de recomandare sau nu.
2. Procesarea limbajului natural: Spotify folosește NLP pentru a înțelege limbajul folosit de ascultătorii și recenzenții din întreaga lume pentru melodii. Sistemul lor NLP continuă să acceseze cu crawlere web pentru orice text disponibil sub formă de postări pe blog, recenzii și orice alte metadate disponibile. Cuvintele cheie sunt extrase și apoi atribuite cântecului ca reprezentări vectoriale pentru acesta. Artiști similari care sunt menționați în blog sunt, de asemenea, incluși în secțiunea artiști similare. Sistemul NLP atribuie, de asemenea, ponderi anumitor vectori care sunt utilizați de mai multe ori în blog pentru acel artist specific. De asemenea, ține o evidență a cuvintelor în tendințe care sunt folosite și a emoției/sentimentului lor. De asemenea, folosește tehnici de încorporare a cuvintelor, cum ar fi Word2Vec, pentru gruparea melodiilor similare pe baza versurilor și a etichetelor asociate acestora.
3. Modele audio: în afară de analiza bazată pe text, Spotify încorporează și modele audio bazate pe rețele neuronale convoluționale. Aceste date brute ajută modelul să grupeze melodia și să vadă cât de aproape este de placul utilizatorului. Modelele CNN analizează diferite caracteristici ale cântecului, cum ar fi volumul, frecvența, tempoul, bătăile pe minut, compoziția, genul etc. Prin urmare, melodiile cu ritmuri, ton și compoziție similare vor fi evaluate în fruntea tabelelor de recomandare pentru utilizator.

Înrudit: Modele de învățare automată

Oportunități viitoare

Deși Spotify s-a descurcat foarte bine în spațiul de recomandări, încă trebuie să se îmbunătățească în zona de recomandări personalizate. Diferența dintre satisfacția reală a utilizatorului și ceea ce modelul de învățare automată consideră că este satisfacția trebuie să fie închisă. Ei au achiziționat un startup francez Niland în 2017 pentru a-și îmbunătăți tehnologia de personalizare.

Acest lucru a îmbunătățit semnificativ performanța recomandărilor, făcând utilizatorii să primească melodiile după cum le place. Spotify ar putea căuta, de asemenea, să o transforme într-o platformă de social media pentru a partaja melodii și liste de redare într-un mod mai bun.

Citește și: Idei și subiecte pentru proiecte de învățare automată

Inainte sa pleci

Cu tot mai mulți utilizatori care se înscriu, datele cu care se ocupă Spotify vor crește semnificativ în următorii ani. Acest lucru nu înseamnă doar o oportunitate mai bună pentru recomandări îmbunătățite, ci și o provocare de a gestiona atât de multe date. Cu o putere atât de imensă, datele Spotify vor fi cheie pentru companiile de muzică și discuri, de asemenea, pentru a lua decizii de afaceri cheie pe baza a ceea ce oamenii ascultă și le place în prezent. Aceasta va fi o strategie țintită de creare a muzicii pentru a maximiza ascultările utilizatorilor.

Spotify își poate transforma, de asemenea, secțiunea Podcasturi pentru a o îmbunătăți mult în recomandarea de podcasturi noi ascultătorilor. Podcasturile care vorbesc pe teme și subiecte similare pot fi grupate și apoi utilizate în recomandări. Având în vedere concurența tot mai mare din partea aplicațiilor precum Apple Music și YouTube Music, va fi interesant să vedem cum se dezvoltă spațiul tehnologic muzical de-a lungul anilor.

Dacă sunteți interesat să aflați mai multe despre arbori de decizie, învățarea automată, consultați Programul Executive PG de la IIIT-B și upGrad în Învățare automată și IA, care este conceput pentru profesioniști care lucrează și oferă peste 450 de ore de formare riguroasă, peste 30 de studii de caz și misiuni, statutul de absolvenți IIIT-B, peste 5 proiecte practice practice și asistență la locul de muncă cu firme de top.