Masinaõpe (ML) ja tehisintellekt (AI) on muusika voogedastustööstuses revolutsiooni teinud täiustades kasutajakogemust, parandades sisu leidmist ja võimaldades isikupärastamist soovitusi. Paljud muusika voogedastusplatvormid kasutavad keerukaid ML-algoritme, et analüüsida kasutaja eelistuste kuulamisajalugu, ja kontekstiandmeid, et pakkuda kohandatud muusikasoovitusi.
Spotify on üks maailma juhtivaid muusika voogedastusplatvorme ning ML ja AI on mänginud Spotify edus otsustavat rolli, muutes muusika voogedastuskogemust revolutsiooniliselt. Isikupärastatud soovituste, dünaamiliste esitusloendite ja algoritmilise kureerimisega suurendavad Spotify ML-algoritmid kasutajate rahulolu ja kaasatust.
Kuidas Spotify teie muusikamaitset mõistab?
Spotify soovitussüsteem on keeruline segu koostööpõhisest filtreerimisest, sisupõhisest filtreerimisest ja muust ML/AI tehnikad.
Spotify kasutab ka uurimise ja kasutamise tasakaalu. Kasutamine annab soovitusi varasemate kuulamisharjumuste põhjal ja uurimine põhineb kasutajate ebakindlal kaasamisel. See on uurimistööriist, et saada rohkem teavet selle kohta, kuidas inimesed soovitatud sisuga suhtlevad.
Spotify soovitussüsteem on keerukas segu erinevatest tehnikatest, et pakkuda kasutajatele isikupärastatud ja nauditavat kuulamiskogemust.
Koostööfiltreerimise mõistmine
Koostöö filtreerimine on meetod, mis kasutab soovituste andmiseks kasutaja käitumist. Kui kahel kasutajal on sarnane muusikamaitse, võib süsteem soovitada lugusid, mida üks kasutaja on kuulanud, kuid teine mitte.
Kollaboratiivne filtreerimine on maatriksiga manipuleerimise protsess, kus kasutajate lugude esitusloendused on korraldatud hõredaks maatriksiks. Maatriks teisendatakse kaheks maatriksiks, eelistusmaatriksiks ja usaldusmaatriksiks, mis näitab, kas kasutaja on lugu kuulanud ja kui kindel süsteem selle eelistuse suhtes on. Seejärel kasutab süsteem algoritmi, et leida iga kasutajavektori jaoks lähimad lauluvektorid K, andes nende leidude põhjal soovitusi.
Kui olete Davido fänn ja teile meeldib Wizkidi kuulata. Koostöö filtreerimine võtab selle mustri teadmiseks ja kui teisele kasutajale meeldib Davidot kuulata, kuid ta pole Wizkidi avastanud, võib süsteem soovitada Wizkidi.
Koostöö filtreerimine läheb sammu kaugemale, koondades sarnaste muusikahuvidega kasutajad. See protsess, tuntud kui kasutaja-kasutaja koostööfiltreeriminerühmitab sarnase käitumise või eelistustega kasutajad.
Teine lähenemine on üksustevaheline koostööfiltreerimine. Sarnaste kasutajate rühmitamise asemel keskendub see üksustevahelistele suhetele. Kui paljudele kasutajatele meeldivad samad laulud, tuvastab süsteem laulud sarnastena.
Koostööfiltreerimise piirangud
Koostöö filtreerimine on muutnud uue sisu avastamist, kuid sellel on piirangud. Meetod võitleb "külmkäivituse" probleemiga, kus täpsete soovituste andmine uutele kasutajatele või üksustele ilma ajalooliste andmeteta on keeruline.
Koostöö filtreerimine kannatab ka populaarsuse kallutatuse all, soovitades sageli populaarseid esemeid, jättes samal ajal tähelepanuta vähemtuntud kalliskivid.
Nendest väljakutsetest hoolimata jääb koostööpõhine filtreerimine tänapäevaste soovitussüsteemide nurgakiviks. Selle võime kasutada ära kasutajate kollektiivset tarkust ja pakkuda isikupärastatud soovitusi muudab selle asendamatuks tööriistaks.
Sisupõhise filtreerimise selgitus
Sisupõhine filtreerimine aitab ületada külmkäivituse probleem. Sisupõhine filtreerimismeetod töötleb laulu spektrogrammi abil heli analüüsimiseks. Konvolutsiooniline närvivõrk (CNN) mõistab laulu, sealhulgas selliseid omadusi nagu hinnanguline taktimõõt, klahv, režiim, tempo ja helitugevus. Kui uuel lool on kasutaja lemmiklauludega sarnased parameetrid, soovitaks Spotify seda tõenäoliselt.
See protsess hõlmab iga laulu funktsioonide võrdlemist kasutaja interaktiivsete lugude funktsioonidega. Mida sarnasemad on funktsioonid, seda suurem on tõenäosus, et lugu kasutajale soovitatakse.
Spotify kohandab need soovitused kasutaja ainulaadse muusikalise maitse järgi, pakkudes kohandatud kuulamiskogemust. Olenemata sellest, kas olete e-moll võtmes tempokate rokilugude või aeglaste, meloodiliste poplugude fänn, kus on palju klaverit, sisupõhine filtreerimine tagab, et avastate uue muusika, mis teiega resoneerib.
Piirkondlik asjakohasus: sõnade ja ajaveebipostituste analüüsimine
Muusika on universaalne keel, mis ületab piire, kultuure ja aega. Selle universaalse veetluse all peitub aga rikkalik piirkondlike mõjutuste gobelään, mis on keerukalt põimitud iga laulu kangasse.
Igal laulul on ainulaadne jäljend selle kultuuri ja piirkonna kohta, kust see pärineb. Ladina-Ameerika elavatest rütmidest kuni Lähis-Ida kummitavate meloodiateni – muusika peegeldab selle loojate ja kuulajate väärtusi, traditsioone ja kogemusi. Laulu olemuse tõeliseks mõistmiseks peate süvenema selle loomist inspireerivasse kultuurikeskkonda.
Laulu ajaloolist, sotsiaalset ja geograafilist tausta analüüsides mõistame selle tähendust. Olgu selleks armastuse tähistamine Bollywoodi ballaadis või rütmiline jutuvestmine Aafrika rahvalauludes, iga muusikapärl leiab oma juured oma päritolu kultuuripärandist. Nende teadmiste omaksvõtmine võimaldab meil luua ühenduse muusikaga sügavamal tasandil ja hinnata selle ilu laiemas globaalses kontekstis.
Spotify kasutab piirkondlikku asjakohasust, et pakkuda kasutajatele isikupärasemat kogemust. Spotify kasutab loomuliku keele töötlemine (NLP) uudisteartiklite, ajaveebi ja veebiarvustuste analüüsimiseks, et koostada konkreetse laulu või artisti kõige sagedamini kasutatavate kirjelduste loend. Need "kultuurivektorite" kirjeldused leiavad ühiseid jooni artistide, laulude ja kasutajate eelistuste vahel.
Probleemid tehisintellekti kasutava muusika leidmisega
AI integreerimisel muusika avastamisse on omajagu väljakutseid.
Liigne sõltuvus kasutajaandmetest ja isikupärastamisest
AI-põhised muusikasoovitussüsteemid toetuvad isikupärastatud esitusloendite kureerimiseks suuresti kasutajaandmetele. Spotify algoritm analüüsib teie kuulamisajalugu, lemmikžanre ja kellaaega, millal muusikat kuulate.
Kuigi selline isikupärastamise tase suurendab kasutajakogemust, on see ka tõsine väljakutse. Liigne kasutajaandmetele tuginemine võib kaasa tuua kajakambri efekti, kus süsteem soovitab ainult muusikat, mis on sarnane sellega, mida olete juba kuulanud, piirates sellega kokkupuudet uute žanrite ja artistidega.
Uue ja mitmekesise muusika avastamise takistus
Uue ja mitmekesise muusika avastamine on AI jaoks keeruline ülesanne. Algoritm peab leidma õrna tasakaalu kasutaja mugavustsoonis olevate lugude ja neile tundmatute žanrite või artistide tutvustamise vahel. Rohkem esimesi võib muuta soovitused mitmekesisemaks, samas kui liiga palju viimast võib kasutajat võõrandada.
Seda väljakutset raskendab veelgi Spotify laialdane ja mitmekesine muusikateek, mis muudab AI-l raskeks navigeerida ja soovitada nii laias valikus muusikat.
Spotify soovitused ei ole alati täpsed
Esitusloendid on üks Spotify põhikomponente ja on huvitav mõista, kuidas AI ja ML tehnikad kujundavad kuuldavat muusikat. Kuid iga Spotify kasutaja teab, et isegi siis, kui tehisintellekt teie muusikalise identiteedi kokku paneb, võib see ikkagi välja tuua absoluutse helina, mis koheselt blokeeritakse.
