Как Spotify использует модели машинного обучения, чтобы рекомендовать музыку?

Spotify — одно из ведущих музыкальных приложений, которое использует интеллектуальные прогнозы и рекомендации для своих пользователей. Прошли те времена, когда мы вручную искали, загружали и составляли наши плейлисты на свой вкус. Нынешняя эра машинного обучения и науки о данных позволила таким приложениям, как Spotify, понять вкусы и предпочтения пользователей и, соответственно, рекомендовать песни и тщательно подобранные плейлисты.

К концу этого урока вы будете знать следующее:

• Spotify и его уникальные возможности
• Как Spotify делает умные прогнозы
• За этим стоит машинное обучение

Spotify — музыкальный джинн

В начале 2000-х лучшим и наиболее удобным способом скачивания и прослушивания музыки были сторонние веб-сайты или пиратство. Им обоим требовалось время и усилия, чтобы сначала найти песню, а затем скачать ее. Еще более сложной задачей было создание плейлистов с любимыми песнями. И это были статичные плейлисты. Это означало, что плейлист останется таким, какой он есть, если только пользователь вручную не добавлял или не удалял песни по своему вкусу. Не так удобно.

Еще один недостаток был с точки зрения художника. Популярные артисты столкнулись с небольшими проблемами при продвижении своих новых релизов, поскольку они были во всех чартах мира. Но новые и независимые артисты столкнулись с множеством проблем, чтобы донести свою музыку до широкой аудитории, которой понравилась бы музыка, которую они создают. Это означало, что многие потенциальные артисты-убийцы так и не смогли преуспеть или были вынуждены сдаться враждебным звукозаписывающим компаниям.

Spotify изменил правила игры. Компания Spotify, запущенная в 2008 году в Швеции, стремилась превратить индустрию потоковой передачи музыки в мейнстрим. Сегодня у Spotify ежемесячно около 345 миллионов активных пользователей. Spotify использует машинное обучение и науку о данных в своей основе и дает рекомендации и кураторские плейлисты для своих слушателей на основе данных, которые он собирает об их привычках прослушивания, местоположении, возрасте и многом другом.

Теперь слушателям не нужно тратить время на ручной поиск и загрузку музыки на свой вкус. Теперь они составляют плейлисты специально для них. Более того, каждую неделю они знакомятся с новыми песнями и исполнителями, которых иначе не узнали бы. Это также делается с помощью машинного обучения.

Не только это, но и артисты теперь получают преимущество. Артисты получают аудиторию, которой иначе они бы не получили. Их музыка автоматически рекомендуется слушателям, которым нравится такая музыка. Итак, это беспроигрышный вариант! Теперь давайте посмотрим, как используются модели машинного обучения.

Присоединяйтесь к онлайн- курсу машинного обучения в ведущих университетах мира — магистерским программам, программам последипломного образования для руководителей и продвинутой сертификационной программе в области машинного обучения и искусственного интеллекта, чтобы ускорить свою карьеру.

Как Spotify использует машинное обучение и науку о данных?

Spotify предлагает своим пользователям четыре основные функции, используя машинное обучение. Это включает:

• Плейлист на домашней странице: это рекомендуемый плейлист, который появляется на главной странице, как только пользователь открывает приложение.
• Discover Weekly: это еженедельный рекомендательный плейлист, который обновляется новыми песнями в зависимости от вкуса слушателя.
• Daily Mix: это ежедневный плейлист, который состоит из самых популярных и любимых песен слушателя.
• Time Capsule: это смешанный плейлист, содержащий старую классику и другие популярные ретро-песни.

Из них функция Discover Weekly является флагманской функцией, которую предлагает Spotify. Он использует модели на основе машинного обучения и больших данных, которые рекомендуют 50 новых песен в тщательно подобранном плейлисте каждый понедельник. Это помогло Spotify достичь того, чем он является сегодня. Эта функция не только связывает людей с приложением, но и генерирует еще больше данных, и, следовательно, рекомендации со временем улучшаются.

Для Discover Weekly Spotify собирает много пользовательских данных, чтобы понять поведение и удовлетворенность кураторским плейлистом. Он учитывает такие данные, как количество времени, которое пользователь провел в плейлисте, количество воспроизведений песен, количество времени, проведенное в альбоме этой песни или на странице исполнителя, пропустил ли пользователь песню или нет, если сохранил ли пользователь его в личном плейлисте или нет, и вернулся ли пользователь на страницу Discover Weekly или нет. Spotify использует 3 типа моделей на странице Discover Weekly:

1. Совместная фильтрация. Совместная фильтрация является ключевым компонентом любой системы рекомендаций. Netflix также использует его и использует рейтинговую систему, чтобы рекомендовать фильмы. Spotify, с другой стороны, не использует никакой рейтинговой системы, но зависит от показателей поведения пользователя, чтобы увидеть, удовлетворен ли слушатель рекомендацией или нет.
2. Обработка естественного языка: Spotify использует НЛП для понимания языка, который слушатели и рецензенты используют для песен по всему миру. Их система NLP продолжает сканировать Интернет в поисках любого текста, доступного в виде сообщений в блогах, обзоров и любых других доступных метаданных. Ключевые слова извлекаются, а затем назначаются песне в виде ее векторного представления. Подобные исполнители, упомянутые в блоге, также объединены в раздел похожих исполнителей. Система NLP также присваивает веса определенным векторам, которые несколько раз используются в блоге для этого конкретного исполнителя. Он также отслеживает популярные слова, которые используются, а также их эмоции/настроения. Он также использует методы встраивания слов, такие как Word2Vec, для группировки похожих песен на основе их текстов и связанных с ними тегов.
3. Аудиомодели. Помимо текстового анализа, Spotify также включает аудиомодели, основанные на сверточных нейронных сетях. Эти необработанные данные помогают модели сгруппировать песню и посмотреть, насколько она близка пользователю. Модели CNN анализируют различные характеристики песен, такие как громкость, частота, темп, количество ударов в минуту, состав, жанр и т. д. Таким образом, песни с похожими ритмами, тоном и составом будут иметь высокие оценки в таблицах рекомендаций для пользователя.

Связанный: Модели машинного обучения

Будущие возможности

Хотя Spotify очень хорошо работает в области рекомендаций, ему все еще нужно улучшить область персонализированных рекомендаций. Разрыв между фактическим удовлетворением пользователя и тем, что модель машинного обучения считает удовлетворением, необходимо устранить. В 2017 году они приобрели французский стартап Niland, чтобы улучшить свои технологии персонализации.

Это значительно улучшило работу рекомендаций, благодаря чему пользователи получали песни по своему вкусу. Spotify также может попытаться превратить его в платформу для социальных сетей, чтобы лучше делиться песнями и плейлистами.

Читайте также: Идеи и темы проекта машинного обучения

Прежде чем ты уйдешь

Поскольку все больше и больше пользователей регистрируются, объем данных, с которыми работает Spotify, в ближайшие годы значительно возрастет. Это означает не только лучшую возможность для улучшения рекомендаций, но и сложность обработки такого большого количества данных. Обладая такой огромной мощью, данные Spotify будут иметь ключевое значение для музыкальных компаний и звукозаписывающих компаний, а также для принятия ключевых бизнес-решений на основе того, что люди в настоящее время слушают и что им нравится. Это будет целевая стратегия создания музыки, направленная на максимальное количество прослушиваний среди пользователей.

Spotify также может преобразовать свой раздел «Подкасты», чтобы он лучше рекомендовал новые подкасты слушателям. Подкасты, в которых рассказывается на схожие темы и темы, можно сгруппировать и затем использовать в рекомендациях. Учитывая растущую конкуренцию со стороны таких приложений, как Apple Music и YouTube Music, будет интересно посмотреть, как с годами развивается пространство музыкальных технологий.

Если вам интересно узнать больше о деревьях решений и машинном обучении, ознакомьтесь с программой Executive PG IIIT-B и upGrad по машинному обучению и искусственному интеллекту , которая предназначена для работающих профессионалов и предлагает более 450 часов интенсивного обучения, более 30 тематических исследований и задания, статус выпускника IIIT-B, более 5 практических практических проектов и помощь в трудоустройстве в ведущих фирмах.