Mašininis mokymasis (ML) ir dirbtinis intelektas (AI) sukėlė revoliuciją muzikos srautinio perdavimo pramonėje gerinant naudotojų patirtį, gerinant turinio atradimą ir įgalinant suasmenintą rekomendacijas. Daugelis muzikos srautinio perdavimo platformų naudoja sudėtingus ML algoritmus, kad analizuotų vartotojo pageidavimų klausymo istoriją, ir kontekstinius duomenis, kad pateiktų tinkintas muzikos rekomendacijas.
„Spotify“ yra viena iš pasaulyje pirmaujančių muzikos srautinio perdavimo platformų, o ML ir AI suvaidino lemiamą vaidmenį „Spotify“ sėkmei, pakeisdami muzikos srautinio perdavimo patirtį. Su personalizuotomis rekomendacijomis, dinaminiais grojaraščiais ir algoritminiu kuravimu „Spotify“ ML algoritmai padidina vartotojų pasitenkinimą ir įtraukimą.
Kaip „Spotify“ supranta jūsų muzikos skonį?
„Spotify“ rekomendacijų sistema yra sudėtingas bendradarbiavimo filtravimo, turinio pagrindu filtravimo ir kt ML/AI metodai.
„Spotify“ taip pat naudoja tyrinėjimo ir eksploatavimo pusiausvyrą. Eksploatacija pateikia rekomendacijas, pagrįstas ankstesniais klausymosi įpročiais, o tyrinėjimas pagrįstas neapibrėžtu vartotojų įsitraukimu. Tai tyrimo įrankis, skirtas sužinoti daugiau apie tai, kaip žmonės sąveikauja su siūlomu turiniu.
„Spotify“ rekomendacijų sistema yra sudėtingas įvairių metodų derinys, suteikiantis vartotojams asmeninį ir malonų klausymosi patirtį.
Bendradarbiavimo filtravimo supratimas
Bendradarbiavimo filtravimas yra metodas, kuris naudoja naudotojo elgseną rekomendacijoms. Jei dviejų vartotojų muzikinis skonis panašus, sistema gali rekomenduoti dainas, kurių vienas vartotojas klausėsi, bet kitas ne.
Bendradarbiavimo filtravimas yra matricos manipuliavimo procesas, kai naudotojo dainų atkūrimo skaičiai suskirstomi į nedidelę matricą. Matrica transformuojama į dvi matricas – pirmenybės matricą ir pasitikėjimo matricą, kuri parodo, ar vartotojas klausėsi dainos ir kiek sistema yra tikra dėl šios nuostatos. Tada sistema naudoja algoritmą, kad surastų artimiausius „K“ dainos vektorius kiekvienam vartotojo vektoriui, pateikdama rekomendacijas pagal šias išvadas.
Jei esate Davido gerbėjas ir jums patinka klausytis Wizkid. Bendradarbiaujant filtruojant atsižvelgiama į šį modelį, ir jei kitam vartotojui patinka klausytis Davido, bet jis neatrado Wizkid, sistema gali rekomenduoti Wizkid.
Bendradarbiaujantis filtravimas žengia dar vieną žingsnį į grupes suburiant panašius muzikos pomėgius turinčius vartotojus. Šis procesas, žinomas kaip vartotojo ir vartotojo bendradarbiavimo filtravimas, sugrupuoja panašaus elgesio ar pageidavimų naudotojus.
Kitas požiūris yra elementų bendras filtravimas. Užuot sutelkę panašius vartotojus, dėmesys sutelkiamas į ryšius tarp elementų. Jei daugeliui vartotojų patinka tos pačios dainos, sistema identifikuoja dainas kaip panašias.
Bendradarbiavimo filtravimo apribojimai
Bendradarbiaujantis filtravimas pakeitė naujo turinio atradimą, tačiau turi apribojimų. Metodas kovoja su „šaltojo paleidimo“ problema, kai sudėtinga pateikti tikslias rekomendacijas naujiems vartotojams ar elementams be istorinių duomenų.
Bendradarbiaujantis filtravimas taip pat kenčia nuo populiarumo šališkumo, dažnai rekomenduojant populiarius daiktus, neatsižvelgiant į mažiau žinomus brangakmenius.
Nepaisant šių iššūkių, bendras filtravimas išlieka šiuolaikinių rekomendacijų sistemų kertiniu akmeniu. Dėl galimybės panaudoti kolektyvinę vartotojų išmintį ir teikti asmenines rekomendacijas jis yra nepakeičiamas įrankis.
Paaiškintas turiniu pagrįstas filtravimas
Turiniu pagrįstas filtravimas padeda įveikti šalto užvedimo problema. Turiniu pagrįstas filtravimo metodas apdoroja dainą naudodamas spektrogramą garso analizei. Konvoliucinis neuroninis tinklas (CNN) supranta dainą, įskaitant tokias charakteristikas kaip numatomas laiko signalas, klavišas, režimas, tempas ir garsumas. Jei naujos dainos parametrai yra panašūs į vartotojo mėgstamas dainas, „Spotify“ greičiausiai ją rekomenduos.
Šis procesas apima kiekvienos dainos ypatybių palyginimą su naudotojo sąveikaujančių dainų funkcijomis. Kuo panašesnės funkcijos, tuo didesnė tikimybė, kad daina bus rekomenduota vartotojui.
„Spotify“ pritaiko šias rekomendacijas pagal unikalų vartotojo muzikinį skonį, suteikdama pritaikytą klausymosi patirtį. Nesvarbu, ar mėgstate greito tempo roko dainas e-moll klavišu, ar lėtas, melodingas pop dainas, kuriose intensyviai naudojamas fortepijonas, turiniu pagrįstas filtravimas užtikrina, kad atrasite naujos muzikos, kuri jums skamba.
Regioninis aktualumas: dainų žodžių ir tinklaraščio įrašų analizė
Muzika yra universali kalba, peržengianti sienas, kultūras ir laiką. Tačiau po jos universaliu patrauklumu slypi gausus regioninės įtakos gobelenas, sudėtingai įaustas į kiekvienos dainos audinį.
Kiekviena daina turi unikalų kultūros ir regiono, iš kurio ji kilusi, įspaudą. Nuo gyvų Lotynų Amerikos ritmų iki persekiojančių Artimųjų Rytų melodijų – muzika atspindi jos kūrėjų ir klausytojų vertybes, tradicijas ir patirtį. Norėdami iš tikrųjų suvokti dainos esmę, turite įsigilinti į kultūrinę aplinką, įkvepiančią ją kurti.
Analizuodami dainos istorinę, socialinę ir geografinę aplinką, suprantame jos prasmę. Nesvarbu, ar tai būtų meilės šventė Bolivudo baladėje, ar ritmingas pasakojimas Afrikos liaudies dainose, kiekvienas muzikos perlas randa savo šaknis savo kilmės kultūros pavelde. Įsigiję šias žinias galime užmegzti ryšį su muzika gilesniu lygmeniu ir įvertinti jos grožį platesniame pasauliniame kontekste.
„Spotify“ naudoja regioninę svarbą, kad suteiktų vartotojams labiau pritaikytą patirtį. „Spotify“ naudojimas natūralios kalbos apdorojimas (NLP) analizuoti naujienų straipsnius, tinklaraščius ir internetines apžvalgas, kad būtų sudarytas tam tikros dainos ar atlikėjo dažniausiai naudojamų aprašų sąrašas. Šie „kultūrinių vektorių“ aprašai randa bendrų atlikėjų, dainų ir vartotojų pageidavimų.
Muzikos atradimo naudojant AI problemos
Dirbtinio intelekto integravimas į muzikos atradimą turi nemažai iššūkių.
Per didelis pasitikėjimas vartotojo duomenimis ir personalizavimu
Dirbtinio intelekto pagrįstos muzikos rekomendacijų sistemos labai priklauso nuo vartotojo duomenų, kad sukurtų suasmenintus grojaraščius. „Spotify“ algoritmas analizuoja jūsų klausymosi istoriją, mėgstamus žanrus ir paros laiką, kai klausotės muzikos.
Nors toks suasmeninimo lygis pagerina vartotojo patirtį, jis taip pat kelia didelį iššūkį. Per didelis pasitikėjimas naudotojo duomenimis gali sukelti aido kameros efektą, kai sistema rekomenduoja tik muziką, panašią į tai, ką jau klausėte, ir apriboti naujų žanrų ir atlikėjų poveikį.
Naujos ir įvairios muzikos atradimo kliūtis
Naujos ir įvairios muzikos atradimas yra sudėtinga DI užduotis. Algoritmas turi išlaikyti subtilų balansą tarp dainų, esančių vartotojo komforto zonoje, ir supažindinti juos su nepažįstamais žanrais ar atlikėjais. Daugiau pirmųjų gali padaryti rekomendacijas įvairesnes, o per daug antrųjų gali atstumti vartotoją.
Šį iššūkį dar labiau apsunkina didžiulė ir įvairi muzikos biblioteka, kuria gali pasigirti „Spotify“, todėl dirbtiniam intelektui sunku naršyti ir rekomenduoti iš tokio plataus muzikos spektro.
„Spotify“ pasiūlymai ne visada tikslūs
Grojaraščiai yra vienas iš pagrindinių „Spotify“ komponentų, todėl įdomu suprasti, kaip AI ir ML metodai formuoja muziką, kurią girdime. Tačiau bet kuris „Spotify“ vartotojas žinos, kad net jei dirbtinis intelektas sujungia jūsų muzikinę tapatybę, jis vis tiek gali sukelti absoliutų skambėjimą, kuris iškart užblokuojamas.
