Spotify ใช้โมเดลแมชชีนเลิร์นนิงเพื่อแนะนำเพลงอย่างไร

Spotify เป็นหนึ่งในแอพเพลงชั้นนำที่ใช้การคาดคะเนและคำแนะนำที่ชาญฉลาดแก่ผู้ใช้ หมดยุคแล้วที่เราเคยค้นหา ดาวน์โหลด และดูแลจัดการเพลย์ลิสต์ด้วยตนเองเพื่อให้เหมาะกับรสนิยมของเรา ยุคปัจจุบันของแมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูลทำให้แอปอย่าง Spotify เข้าใจรสนิยมและความชอบของผู้ใช้ และแนะนำเพลงและเพลย์ลิสต์ที่ดูแลจัดการตามนั้น

ในตอนท้ายของบทช่วยสอนนี้ คุณจะมีความรู้ดังต่อไปนี้:

• Spotify และคุณสมบัติที่เป็นเอกลักษณ์
• Spotify สร้างการคาดคะเนอย่างชาญฉลาดได้อย่างไร
• เบื้องหลังการเรียนรู้ของเครื่อง

Spotify – The Music Genie

ในช่วงต้นทศวรรษ 2000 วิธีที่ดีที่สุดและสะดวกที่สุดในการดาวน์โหลดและฟังเพลงคือจากเว็บไซต์ของบุคคลที่สามหรือโดยการละเมิดลิขสิทธิ์ ทั้งคู่ต้องใช้เวลาและความพยายามในการค้นหาเพลงก่อน แล้วจึงดาวน์โหลด ความเจ็บปวดคือการสร้างเพลย์ลิสต์ที่มีเพลงโปรด และนั่นเป็นเพลย์ลิสต์แบบคงที่ ซึ่งหมายความว่าเพลย์ลิสต์จะยังคงเหมือนเดิมเว้นแต่ผู้ใช้จะเพิ่มหรือลบเพลงด้วยตนเองตามความชอบ ไม่สะดวกเท่าไหร่

ข้อเสียอีกประการหนึ่งคือจากมุมมองของศิลปิน ศิลปินยอดนิยมประสบปัญหาไม่มากนักในการทำตลาดเพลงออกใหม่ของพวกเขา เนื่องจากพวกเขาอยู่ทั่วชาร์ตทั่วโลก แต่ศิลปินหน้าใหม่และอิสระประสบปัญหามากมายในการนำเพลงของพวกเขาไปสู่ผู้ชมในวงกว้างที่ต้องการเพลงที่พวกเขาสร้างขึ้น ซึ่งหมายความว่าศิลปินนักฆ่าจำนวนมากไม่สามารถทำได้ดีหรือต้องยอมจำนนต่อบริษัทแผ่นเสียงที่เป็นศัตรู

Spotify เปลี่ยนเกม Spotify เปิดตัวในปี 2008 ในประเทศสวีเดน โดยมีเป้าหมายเพื่อเปลี่ยนอุตสาหกรรมการสตรีมเพลงให้กลายเป็นกระแสหลัก วันนี้ Spotify มีผู้ใช้งานประมาณ 345 ล้านคนต่อเดือน Spotify ใช้ประโยชน์จากการเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูลเป็นแกนหลัก และทำรายการแนะนำและจัดการเพลย์ลิสต์สำหรับผู้ฟังโดยอิงจากข้อมูลที่รวบรวมจากนิสัยการฟัง ตำแหน่ง อายุ และอื่นๆ อีกมากมาย

ผู้ฟังไม่ต้องเสียเวลาค้นหาและดาวน์โหลดเพลงที่ชอบด้วยตนเอง ตอนนี้พวกเขาได้รับเพลย์ลิสต์ที่สร้างขึ้นมาเพื่อพวกเขาโดยเฉพาะ ยิ่งกว่านั้นพวกเขาได้สัมผัสกับเพลงและศิลปินใหม่ทุกสัปดาห์ซึ่งพวกเขาจะไม่พบ ทำได้โดยใช้การเรียนรู้ของเครื่องด้วย

ไม่เพียงแค่นี้ แต่ศิลปินยังได้เปรียบในตอนนี้ ศิลปินเข้าถึงผู้ชมที่พวกเขาไม่เคยได้รับมาก่อน เพลงของพวกเขาได้รับการแนะนำโดยอัตโนมัติสำหรับผู้ฟังที่ชอบเพลงประเภทนั้น ดังนั้นมันจึงเป็น win-win! ตอนนี้ มาดูกันว่าโมเดล Machine Learning ถูกนำไปใช้ประโยชน์อย่างไร

เข้าร่วม หลักสูตร ML ออนไลน์จากมหาวิทยาลัยชั้นนำของโลก – ปริญญาโท โปรแกรม Executive Post Graduate และหลักสูตรประกาศนียบัตรขั้นสูงใน ML & AI เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

Spotify ใช้ประโยชน์จากการเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูลอย่างไร

Spotify นำเสนอคุณสมบัติหลักสี่ประการแก่ผู้ใช้โดยใช้ประโยชน์จากการเรียนรู้ของเครื่อง ซึ่งรวมถึง:

• เพลย์ลิสต์หน้าแรก: เป็นรายการแนะนำเพลย์ลิสต์ที่ปรากฏขึ้นในหน้าแรกทันทีที่ผู้ใช้เปิดแอป
• Discover Weekly: เป็นเพลย์ลิสต์แนะนำประจำสัปดาห์ที่ปรับปรุงใหม่ด้วยเพลงใหม่ตามรสนิยมของผู้ฟัง
• Daily Mix: เป็นเพลย์ลิสต์รายวันที่ประกอบด้วยเพลงที่ผู้ฟังชอบเล่นและชอบมากที่สุด
• Time Capsule: เป็นเพลย์ลิสต์แบบผสมที่มีเพลงคลาสสิกเก่าและเพลงย้อนยุคยอดนิยมอื่นๆ

ฟีเจอร์ Discover Weekly เป็นฟีเจอร์หลักที่ Spotify มีให้ ใช้โมเดลการเรียนรู้ของเครื่องและ Big Data ซึ่งแนะนำเพลงใหม่ 50 เพลงในเพลย์ลิสต์ที่ดูแลจัดการทุกวันจันทร์ สิ่งนี้ช่วยให้ Spotify ไปถึงที่ที่เป็นอยู่ในปัจจุบัน คุณลักษณะนี้ไม่เพียงแต่เชื่อมโยงผู้คนเข้ากับแอปเท่านั้น แต่ยังสร้างข้อมูลมากยิ่งขึ้นด้วยเหตุนี้ คำแนะนำจึงดีขึ้นเมื่อเวลาผ่านไป

สำหรับ Discover Weekly Spotify จะรวบรวมข้อมูลเฉพาะผู้ใช้จำนวนมากเพื่อทำความเข้าใจพฤติกรรมและความพึงพอใจกับเพลย์ลิสต์ที่ดูแลจัดการ โดยจะพิจารณาข้อมูลต่างๆ เช่น เวลาที่ผู้ใช้ใช้ไปกับเพลย์ลิสต์ จำนวนครั้งที่เล่นเพลง ระยะเวลาในอัลบั้มของเพลงนั้น หรือหน้าศิลปิน หากผู้ใช้ข้ามเพลงหรือไม่ หาก ผู้ใช้บันทึกลงในเพลย์ลิสต์ส่วนตัวหรือไม่และหากผู้ใช้กลับมาที่หน้า Discover Weekly หรือไม่ Spotify ใช้โมเดล 3 ประเภทที่ขับเคลื่อนหน้า Discover Weekly:

1. การกรองการทำงานร่วมกัน: การกรองการทำงานร่วมกันเป็นองค์ประกอบสำคัญในระบบการแนะนำใดๆ Netflix ยังใช้ระบบหนึ่งและใช้ระบบการให้คะแนนเพื่อแนะนำภาพยนตร์ ในทางกลับกัน Spotify ไม่ได้ใช้ระบบการให้คะแนนใด ๆ แต่ขึ้นอยู่กับตัวชี้วัดพฤติกรรมของผู้ใช้เพื่อดูว่าผู้ฟังพอใจกับคำแนะนำหรือไม่
2. การประมวลผลภาษาธรรมชาติ: Spotify ใช้ประโยชน์จาก NLP เพื่อทำความเข้าใจภาษาที่ผู้ฟังและผู้วิจารณ์ทั่วโลกใช้สำหรับเพลง ระบบ NLP ของพวกเขาคอยรวบรวมข้อมูลเว็บเพื่อหาข้อความที่มีอยู่ในรูปแบบของโพสต์บล็อก บทวิจารณ์ และข้อมูลเมตาอื่น ๆ ที่มี คำหลักจะถูกดึงออกมาแล้วกำหนดให้กับเพลงเป็นการแสดงเวกเตอร์สำหรับมัน ศิลปินที่คล้ายคลึงกันที่กล่าวถึงในบล็อกยังถูกรวมเข้าไว้ในหมวดศิลปินที่คล้ายคลึงกันด้วย ระบบ NLP ยังกำหนดน้ำหนักให้กับเวกเตอร์บางตัวที่ใช้หลายครั้งในบล็อกสำหรับศิลปินคนดังกล่าว นอกจากนี้ยังติดตามคำศัพท์ที่กำลังใช้และอารมณ์/ความรู้สึกอีกด้วย นอกจากนี้ยังใช้เทคนิคการฝังคำ เช่น Word2Vec เพื่อจัดกลุ่มเพลงที่คล้ายกันตามเนื้อเพลงและแท็กที่เกี่ยวข้อง
3. โมเดลเสียง: นอกเหนือจากการวิเคราะห์แบบข้อความแล้ว Spotify ยังรวมเอาโมเดลเสียงที่อิงตาม Convolutional Neural Networks ข้อมูลดิบนี้ช่วยให้โมเดลจัดกลุ่มเพลงและดูว่าใกล้เคียงกับที่ผู้ใช้ชื่นชอบมากแค่ไหน โมเดลของ CNN จะวิเคราะห์ลักษณะเพลงที่แตกต่างกัน เช่น ความดัง ความถี่ จังหวะ บีตต่อนาที การเรียบเรียง แนวเพลง ฯลฯ ดังนั้น เพลงที่มีจังหวะ โทนเสียง และองค์ประกอบที่คล้ายคลึงกันจะได้คะแนนสูงในชาร์ตคำแนะนำสำหรับผู้ใช้

ที่เกี่ยวข้อง: โมเดลการเรียนรู้ของเครื่อง

โอกาสในอนาคต

แม้ว่า Spotify จะทำผลงานได้ดีมากในพื้นที่แนะนำ แต่ก็ยังต้องปรับปรุงในพื้นที่แนะนำส่วนบุคคล ช่องว่างระหว่างความพึงพอใจที่แท้จริงของผู้ใช้กับสิ่งที่โมเดลแมชชีนเลิร์นนิงคิดว่าความพึงพอใจคือต้องปิดลง พวกเขาได้รับ Niland ซึ่งเป็นสตาร์ทอัพสัญชาติฝรั่งเศสในปี 2560 เพื่อปรับปรุงเทคโนโลยีการปรับเปลี่ยนในแบบของคุณ

นั่นช่วยปรับปรุงประสิทธิภาพของคำแนะนำอย่างมากทำให้ผู้ใช้ได้รับเพลงตามความชอบ Spotify อาจต้องการแปลงเป็นแพลตฟอร์มโซเชียลมีเดียมากขึ้นสำหรับการแชร์เพลงและเพลย์ลิสต์ในทางที่ดีขึ้น

อ่านเพิ่มเติม: แนวคิดและหัวข้อโครงการการเรียนรู้ของเครื่อง

ก่อนที่คุณจะไป

เมื่อมีผู้ใช้ลงทะเบียนมากขึ้นเรื่อยๆ ข้อมูลที่ Spotify เกี่ยวข้องจะเพิ่มขึ้นอย่างมากในอีกไม่กี่ปีข้างหน้า นี่ไม่เพียงหมายถึงโอกาสที่ดีกว่าสำหรับคำแนะนำที่ปรับปรุงแล้ว แต่ยังเป็นความท้าทายในการจัดการข้อมูลจำนวนมากด้วย ด้วยพลังมหาศาลดังกล่าว ข้อมูล Spotify จะเป็นกุญแจสำคัญสำหรับบริษัทเพลงและการบันทึก รวมไปถึงการตัดสินใจทางธุรกิจที่สำคัญโดยพิจารณาจากสิ่งที่ผู้คนกำลังฟังและชื่นชอบในปัจจุบัน นี่จะเป็นกลยุทธ์การทำเพลงที่กำหนดเป้าหมายเพื่อเพิ่มการฟังให้สูงสุดสำหรับผู้ใช้

Spotify ยังสามารถแปลงส่วน Podcasts ของตนเพื่อให้แนะนำพอดคาสต์ใหม่แก่ผู้ฟังได้ดียิ่งขึ้น พ็อดคาสท์ที่พูดถึงหัวข้อและหัวข้อที่คล้ายกันสามารถจัดกลุ่มเข้าด้วยกันแล้วนำไปใช้ในคำแนะนำได้ ด้วยการแข่งขันที่เพิ่มขึ้นจากแอปอย่าง Apple Music และ YouTube Music การเห็นว่าพื้นที่เทคโนโลยีเพลงพัฒนาไปอย่างไรในช่วงหลายปีที่ผ่านมาจึงเป็นเรื่องที่น่าสนใจ

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับแผนผังการตัดสินใจ แมชชีนเลิร์นนิง โปรดดูที่ IIIT-B & upGrad's Executive PG Program ใน Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมอย่างเข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษามากกว่า 30+ การมอบหมายงาน, สถานะศิษย์เก่า IIIT-B, 5+ โครงการหลักที่ใช้งานได้จริง & ความช่วยเหลือด้านงานกับบริษัทชั้นนำ