Снова наступило это время года. В первый день декабря все разворачивают свои списки "Wrapped" из приложения для потокового воспроизведения музыки Spotify. Каждый человек, за которым вы следите, похоже, делает скриншоты своих лучших исполнителей и песен и размещает их в социальных сетях, предоставляя сжатую аудиоисторию своего года.
В этом году персонализированная сводка Spotify о вашем саундтреке на 2021 год включает наиболее часто воспроизводимых вами исполнителей, песни, жанры и даже доску музыкальных настроений в интерактивной истории. Теперь вы также можете "соединить" свой год музыки с годом музыки друга в единый плейлист. (Доска настроений и объединенные плейлисты - новинки этого года).
Все это заставляет задуматься: Какой смысл в том, чтобы показать пользователям, как они потребляют музыку? Подсказкой может послужить исследование, о котором исследовательская группа Spotify писала в мае прошлого года. Исследователи показали 10 пользователям их личные профили данных на основе их учетной записи Spotify, в которых содержалась информация об их лучших песнях (за последний месяц и за все время), лучших жанрах, количестве созданных ими плейлистов и времени, когда они слушали Spotify. Они обнаружили, что размещение данных о личной истории прослушивания позволяет пользователям "задуматься о своей идентичности как слушателей", а также увидеть, слушают ли они музыку только во время работы или у них бывают периоды сильной одержимости определенным исполнителем.
Нам важно такое понимание, даже если интуитивно мы знаем, что это просто музыка, и более того, мы все знаем, что мы не единственные поклонники Тейлор Свифт или Лорд. Возможно, дело в том, что видеть повествование (теперь с намеком на эмоциональную дугу), созданное вокруг песен, которые определили ваш год, всегда кажется немного личным, а иногда и откровенным. (Если вы готовы к этому, вы можете позволить стороннему ИИ оценить ваш Spotify). Один из авторов FiveThirtyEight однажды заметил, что Spotify, похоже, знает его лучше, чем он сам.
Итак, как именно Spotify это делает? Мы знаем, что у них есть огромное количество данных, собранных слушателями (381 миллион ежемесячных активных пользователей по последним подсчетам). Вот какие анализы они проводят за кулисами, чтобы понять, что нравится их пользователям.
От музыкальной библиотеки к музыкальному открытию
Когда Spotify был впервые основан в 2006 году, его целью была музыкальная библиотека. Персонализация появилась позже, когда инженеры приложения поняли, что предоставление людям возможности открывать для себя новую музыку, которая может им понравиться, может улучшить их впечатления. Этого можно было добиться, предоставляя алгоритму информацию об истории прослушивания, выборе музыки, продолжительности воспроизведения определенных песен и реакции пользователя на рекомендации (нравятся ли они ему, пропускают ли они их, воспроизводят ли они их, сохраняют ли они их).
"Персонализация дала возможность слушателям, у которых не было времени или знаний для создания бесконечных уникальных плейлистов для каждого званого ужина или дорожной поездки", - сказал Оскар Стол, вице-президент Spotify по персонализации, в своем блоге в октябре 2021 года. "Это открыло возможность открытий на более широком уровне, позволяя открывать сотни исполнителей на человека в год".
Их подход к такому типу персонализации основывается на двух основных областях исследований: моделирование пользователей и сложный звуковой анализ. Spotify пытается моделировать поведение пользователей в приложении, разрабатывая методы проекции действий в приложении на человеческие черты и эмоции, а также привязывая музыкальные впечатления к настроению и ситуативным контекстам, таким как время суток, неделя или сезон. Знание этого может позволить им изменить то, что они рекомендуют в пятницу вечером, по сравнению с днем во вторник. Рекомендуемые плейлисты могут появляться в карусели на главном экране; есть персонализированные плейлисты, такие как Discover Weekly, Daily Mix и Radio playlists.
Кроме того, новая функция под названием "enhance" позволяет вам получать рекомендации в уже созданном вами плейлисте, а на этой неделе Стол в видеопрезентации заявил, что команда Spotify рассматривает возможность использования человеческого редактора наряду с алгоритмом машинного обучения для создания аудио опыта, который может смешивать и сочетать песни с подкастами и другими вещами. Spotify даже тестирует нейронную сеть под названием CoSeRNN, которая взвешивает определенные характеристики, такие как история прослушивания в прошлом и текущий контекст, чтобы предложить рекомендации по песням, которые подходят в данный момент.
Что касается проверки того, отражает ли музыка определенные человеческие характеристики, то в декабре прошлого года они опубликовали результаты небольшого исследования, основанного на опросе, чтобы выяснить, как музыкальные предпочтения соотносятся с определенными чертами личности. В своем блоге исследователи отметили, что существует определенная корреляция между личностными качествами и предпочтениями музыкальных жанров. Неудивительно, что люди, которые считают себя "открытыми для новых впечатлений", чаще заглядывали в Discover Weekly; те, кто считает себя экстравертами, больше слушали плейлисты, созданные другими людьми, а те, кто считает себя интровертами, предпочитали углубиться в дискографию недавно открытого исполнителя.
Глубокое погружение в составление вашего идеального плейлиста
Команда Spotify постоянно придумывает новые способы сортировки и рекомендации различных типов музыки своим пользователям. Чтобы добиться этого, сначала они должны взять различные виды данных, которые они собирают, и построить модели, которые могут анализировать, сравнивать, сопоставлять, сортировать и группировать разнообразную информацию, которую они получают. Исследователи компании в своей работе 2016 года отметили, что они сканируют Интернет на предмет информации об исполнителе и слов, используемых в онлайн-обзорах для описания конкретных песен. Они создают алгоритмы, которые могут препарировать звуковые структуры песен и анализировать, как песни связаны между собой, сканируя миллиарды пользовательских плейлистов, уже имеющихся на платформе. Кроме того, они определяют музыкальный вкус конкретного пользователя, анализируя его исторические и реальные модели прослушивания.
Например, Discover Weekly работает на основе тщательного анализа песен, которые пользователь недавно слушал, и сканирования всех плейлистов, которые могут содержать эти или похожие на них песни. Spotify использует инструмент машинного обучения, называемый алгоритмом приблизительного поиска ближайших соседей, чтобы группировать песни и пользователей вместе на основе общих атрибутов или качеств.
"Представьте, что у вас и у другого человека по четыре одинаковых лучших исполнителя, но пятые исполнители у вас разные. Мы возьмем эти два почти одинаковых артиста и подумаем: "Хм, возможно, каждому из них понравится пятый артист другого", и предложим его", - объяснил Стол в своем блоге. "А теперь представьте себе этот процесс в масштабе - не один на один, а тысячи, миллионы связей и предпочтений, которые рассматриваются мгновенно".
Spotify, в свою очередь, проделал огромную математическую работу, разделяя песню на отдельные инструментальные слои, разбивая ее ритм и структуру. В ноябре музыкальный сервис опубликовал исследование, в котором была предложена новая модель персонализированных рекомендаций под названием MUSIG, которая изучает "значимые представления о треках и пользователях" на основе индивидуальных особенностей песен (таких как жанр, акустика, танцевальность, сложность текста) и их связи друг с другом (например, если они появляются в одном и том же плейлисте).
Идти в ногу с пользователями
Однако недостаточно просто выяснить, что нравится пользователям в данный момент. Наши музыкальные вкусы меняются со временем, и Spotify должен снабжать пользователей новыми мелодиями, которые им нравятся, чтобы они возвращались.
Это включает в себя рекомендацию сочетания контента, популярного или похожего на музыку, которую человек слушал ранее, а также исследовательского контента, который является более эклектичным и не совпадает с обычными предпочтениями пользователя.
"Возможно, вы присоединились к Spotify ради танцевальной музыки, но можем ли мы помочь вам сосредоточиться во время учебы. Сбалансировав эти полярности, можем ли мы помочь вам получить более полноценный контентный рацион", - сказал Стол в видеопрезентации. "Мы должны думать о ваших желаниях, о том, что будет держать вас в зоне комфорта, и о ваших потребностях, то есть о том, что может улучшить ваше прослушивание в будущем, но может быть не совсем тем, что вы ожидаете сейчас".
Этот тип формулы "может способствовать исследованию, помогая пользователям открывать новый контент или прививать новые вкусы", - написали исследователи Spotify в своем сообщении в марте. "Это может помочь платформе распределить потребление между исполнителями и облегчить потребление менее популярного контента".
Конечно, у Spotify есть свои финансовые причины для того, чтобы разнообразить вкусовую палитру своих пользователей. Внутренние исследования показали, что активные пользователи с более разнообразными привычками прослушивания "на 25 процентных пунктов чаще переходят с Free на Premium, чем те, кто менее разнообразен в своем музыкальном потреблении".
Чтобы опережать наши меняющиеся предпочтения и сохранять свежесть своих рекомендаций, Spotify также необходимо понимать, как то, что нам нравится, может меняться с течением времени. В начале этого года исследователи построили модель на основе набора данных 100 000 пользователей Spotify, которые были постоянно активны с 2016 по 2020 год. Они изучили всю историю потокового вещания каждого пользователя, сгруппировали их музыку в "микрожанры" и отобразили их во времени. В результате они получили связный граф, который иллюстрировал переходы между различными жанрами музыки. Например, их модель показала, что для перехода от "EDM" к "ню-джазу" или "госпелу" пользователи, скорее всего, пройдут через фазу увлечения "тропическим хаусом", который представляет собой прохладную, но энергичную электронную музыку.
Используя пути, проложенные в этой модели, Spotify надеется, что сможет постепенно приучать пользователей к различным жанрам, проводя их через микрожанры, которые находятся между тем, что им уже нравится, и тем, что они еще не знают.
За пределами музыки десятилетние исследования Spotify в области персонализации уже распространились на подкасты. "Оказывается, мы даже можем предсказать, какие подкасты могут понравиться слушателю, основываясь на его музыкальных предпочтениях", - отметил Стол в блоге компании. Но на этом планы Spotify по расширению аудио не заканчиваются - недавно компания приобрела компанию Findaway, специализирующуюся на аудиокнигах.