دوباره وقت سال است. در اولین روز دسامبر، همه لیست‌های "Wrapped" خود را از برنامه پخش موسیقی Spotify باز می‌کنند. به نظر می رسد هرکسی که دنبال می کنید از بهترین هنرمندان و آهنگ های خود اسکرین شات می گیرد و آنها را در رسانه های اجتماعی پخش می کند و داستان شنیداری کوتاهی از سال خود را ارائه می دهد.
خلاصه شخصی‌شده امسال Spotify از موسیقی متن 2021 شما شامل هنرمندان، آهنگ‌ها، ژانرها و حتی تابلوی امتیازات حالت موسیقی در یک داستان تعاملی کلیکی است. هم‌اکنون می‌توانید سال موسیقی خود را با آهنگ یک دوست در یک لیست پخش ادغام شده «ترکیب» کنید. (لیست های پخش مودبرد و ترکیبی امسال جدید هستند.)
همه اینها این سوال را ایجاد می کند: ایده نشان دادن نحوه مصرف موسیقی به مصرف کنندگان چیست؟ شواهد ممکن است در مطالعه ای باشد که تیم تحقیقاتی Spotify در ماه مه گذشته درباره آن نوشت. محققان به 10 کاربر پروفایل داده های شخصی خود را بر اساس حساب Spotify نشان دادند که اطلاعاتی در مورد آهنگ های برتر آنها (از ماه گذشته و همه زمان ها)، بهترین ژانرها، تعداد لیست های پخش ایجاد کرده اند و چه زمانی به Spotify گوش داده اند. آنها دریافتند که افشای اطلاعات شخصی در مورد سابقه شنیداری کاربر در واقع به آنها این امکان را می دهد که "در مورد هویت خود به عنوان شنونده فکر کنند" و به آنها این امکان را می دهد که ببینند آیا فقط در محل کار به موسیقی گوش می دهند یا دوره هایی از وسواس شدید دارند.
ما به این نوع بینش اهمیت می دهیم، حتی به صورت شهودی، می دانیم که این فقط موسیقی است، و بیشتر از این، همه می دانیم که تنها طرفداران تیلور سویفت یا لرد نیستیم. ممکن است دیدن داستانی (از قبل با رنگین کمان احساسی) که در اطراف آهنگ هایی که سال شما را شکل داده است، ایجاد شده است، همیشه کمی شخصی و گاهی آشکار کننده باشد. (اگر احساس آمادگی می کنید، می توانید به یک هوش مصنوعی خارجی اجازه دهید Spotify شما را قضاوت کند). آ FiveThirtyEight نویسنده یک بار فکر می کرد که به نظر می رسد Spotify او را بهتر از او می شناسد.
بنابراین Spotify دقیقاً چگونه این کار را انجام می دهد؟ می دانیم که آنها داده های زیادی دارند که از شنوندگان جمع آوری کرده اند (381 میلیون کاربر فعال ماهانه اخیرا). در اینجا کاری است که آنها در پشت صحنه انجام داده اند تا بفهمند کاربرانشان دوست دارند چه چیزی بشنوند.
از کتابخانه موسیقی تا کشف موسیقی
هنگامی که Spotify برای اولین بار در سال 2006 تأسیس شد، هدف آن این بود که یک کتابخانه موسیقی باشد. شخصی‌سازی بعداً زمانی انجام شد که مهندسان برنامه متوجه شدند که افراد قادر به کشف موسیقی جدیدی که ممکن است دوست داشته باشند، می‌تواند تجربه آنها را بهبود بخشد. و این را می توان با ارسال اطلاعات الگوریتمی در مورد سابقه گوش دادن کاربر، انتخاب موسیقی، مدت زمان پخش برای آهنگ های خاص و نحوه واکنش آنها به توصیه ها (آیا آنها را دوست دارند، از دست می دهند، دوباره پخش می کنند، ذخیره می کنند) انجام داد.
اسکار استال، معاون شخصی‌سازی اسپاتیفای، در یک پست وبلاگی در اکتبر 2021، گفت: «شخصی‌سازی یک تجربه الهام‌بخش برای شنوندگانی بود که زمان یا دانشی برای ایجاد لیست‌های پخش منحصر به فرد بی‌پایان برای هر شام یا سفر نداشتند. ، اجازه می دهد صدها اکتشاف توسط هنرمندان برای هر نفر در سال انجام شود."
[Related: A brief history of shuffling your songs, from Apple to Adele]
رویکرد آنها به این نوع شخصی سازی به دو حوزه اصلی تحقیق بستگی دارد: مدل سازی کاربر و تجزیه و تحلیل پیچیده موسیقی. Spotify سعی می‌کند با ابداع روش‌هایی برای طراحی فعالیت‌ها در اپلیکیشن در ویژگی‌ها و احساسات انسانی، رفتار کاربران را در اپلیکیشن مدل‌سازی کند و تجربیات موسیقی را با شرایط روحی و موقعیتی مانند زمان روز، هفته یا فصل مرتبط کند. دانستن این موضوع می تواند به آنها اجازه دهد آنچه را که در جمعه شب توصیه می کنند در مقایسه با بعد از ظهر سه شنبه تغییر دهند. لیست های پخش توصیه شده می توانند در چرخ فلک شما ظاهر شوند. لیست های پخش سفارشی مانند Discover Weekly، Daily Mix و لیست های پخش رادیویی وجود دارد.
علاوه بر این، یک ویژگی جدید به نام "افزایش" به شما امکان می دهد توصیه ها را در لیست پخش از قبل ایجاد شده بازیابی کنید، و همین هفته استول در یک ارائه ویدیویی گفت که تیم Spotify در حال بررسی رویکردی است که یک ویرایشگر انسانی را با یک الگوریتم یادگیری ماشین ترکیب می کند. ایجاد تجربیات صوتی که ممکن است بتواند آهنگ ها را با پادکست ها و موارد دیگر ترکیب و مطابقت دهد. Spotify حتی در حال آزمایش یک شبکه عصبی به نام CoSeRNN است که ویژگی‌های خاصی مانند تاریخچه گوش دادن در گذشته و زمینه فعلی را می‌سنجید تا توصیه‌هایی برای آهنگ‌هایی ارائه دهد که با آن لحظه مطابقت دارند.
در مورد آزمایش اینکه آیا موسیقی منعکس کننده ویژگی های انسانی خاص است، آنها نتایج یک مطالعه کوچک را بر اساس مطالعه ای در دسامبر گذشته منتشر کردند تا ببینند ترجیحات موسیقی چگونه با ویژگی های شخصیتی خاصی مطابقت دارد. در یک پست وبلاگ، محققان خاطرنشان کردند که به نظر می رسد بین شخصیت و ترجیحات ژانر موسیقی همبستگی وجود دارد. جای تعجب نیست که افرادی که خود را به عنوان "باز به تجربیات جدید" معرفی می کنند، Discover Weekly را بیشتر مشاهده می کنند. کسانی که خود را برون گرا معرفی می کردند به لیست های پخش بیشتری که توسط افراد دیگر ایجاد شده بود گوش می دادند، در حالی که آنهایی که خود را درون گرا می دانستند ترجیح می دادند به دیسکوگرافی هنرمند تازه کشف شده بپردازند.
عمیقاً در ترکیب لیست پخش کامل خود غوطه ور شوید
به نظر می رسد تیم Spotify به طور مداوم راه های جدیدی برای مرتب سازی و توصیه انواع مختلف موسیقی به کاربران خود ارائه می دهد. برای رسیدن به آنجا، ابتدا باید انواع مختلفی از داده‌هایی را که جمع‌آوری می‌کنند، تهیه کنند و مدل‌هایی بسازند که بتوانند انواع اطلاعات دریافتی را تجزیه و تحلیل، مقایسه، مقایسه، مرتب‌سازی و گروه‌بندی کنند. محققان این شرکت در سندی از سال 2016 خاطرنشان کردند که وب را برای اطلاعاتی در مورد هنرمندان و کلمات مورد استفاده در بررسی های آنلاین برای توصیف آهنگ های خاص اسکن می کنند. آنها الگوریتم هایی می سازند که می توانند ساختارهای صوتی آهنگ ها را تجزیه و تحلیل کنند و با اسکن میلیاردها لیست پخش تولید شده توسط کاربر که در حال حاضر روی پلتفرم هستند، نحوه اتصال آهنگ ها را تجزیه و تحلیل کنند. و با تجزیه و تحلیل الگوهای شنیداری تاریخی و بی‌درنگ کاربر، ذائقه موسیقی را نزدیک‌تر می‌کنند.
برای مثال، Discover Weekly با تجزیه و تحلیل دقیق آهنگ‌هایی که کاربر اخیراً به آنها گوش داده است و اسکن همه لیست‌های پخشی که ممکن است حاوی آن آهنگ‌ها یا آهنگ‌هایی مانند آنها باشد، ارائه می‌شود. Spotify از یک ابزار یادگیری ماشینی به نام الگوریتم تقریبی برای جستجوی نزدیک‌ترین همسایه برای گروه‌بندی آهنگ‌ها و کاربران بر اساس ویژگی‌ها یا کیفیت‌های مشترک استفاده می‌کند.
[Related: This new AI tool from Google could change the way we search online]
«تصور کنید که شما و شخص دیگری چهار هنرمند برتر یکسان دارید، اما هنرمندان پنجم شما متفاوت هستند. ما این دو را تقریباً تصادفی در نظر می گیریم و فکر می کنیم، "هوم، شاید هرکسی پنجمین هنرمند دیگری را دوست داشته باشد" و ما آن را پیشنهاد می کنیم، "استول در یک پست وبلاگ توضیح داد. اکنون تصور کنید که این فرآیند در مقیاس بزرگ اتفاق می افتد - نه فقط یک به یک، بلکه هزاران، میلیون ها اتصال و اولویت که فوراً در نظر گرفته می شوند.
از سوی دیگر، Spotify ریاضیات زیادی انجام داد و آهنگ را به لایه‌های ابزاری مجزا تقسیم کرد و ریتم و ساختار آن را شکست. در نوامبر، سرویس موسیقی مطالعه‌ای را منتشر کرد که یک مدل توصیه شخصی جدید به نام MUSIG ارائه می‌کرد که «اجرای معنی‌دار آهنگ‌ها و کاربران» را بر اساس ویژگی‌های آهنگ فردی (مانند ژانر، آکوستیک، رقص‌پذیری، اشعار) و نحوه ارجاع آنها به هر آهنگ می‌آموزد. دیگر (مثلاً اگر در همان لیست پخش ظاهر شوند).
با مصرف کنندگان همراه باشید
با این حال، فقط کشف آنچه مصرف کنندگان در حال حاضر دوست دارند کافی نیست. ذائقه موسیقی ما در طول زمان تغییر می‌کند و Spotify باید آهنگ‌های جدیدی را که کاربران دوست دارند برای بازگشت دوباره به کاربران ارائه دهد.
این شامل توصیه ترکیبی از محتوای محبوب یا شبیه به موسیقی است که شخص قبلاً به آن گوش داده است، همراه با محتوای اکتشافی که بیشتر التقاطی و ناسازگار با درگیری معمول کاربر است.
[Related: MIT scientists taught robots how to sabotage each other]
ممکن است برای موسیقی رقص به Spotify ملحق شده باشید، اما آیا می‌توانیم به شما کمک کنیم در حین مطالعه تمرکز کنید؟ استول در ارائه ویدئویی گفت: با متعادل کردن این قطب ها، می توانیم به شما کمک کنیم رژیم غذایی کامل تری با محتوا داشته باشید. "ما باید در مورد خواسته های شما فکر کنیم، چیزهایی که شما را در منطقه راحتی خود نگه می دارد و نیازهای شما، بنابراین چیزهایی که می توانند در نهایت گوش دادن شما را بهبود بخشند، اما ممکن است دقیقاً آن چیزی نباشند که در حال حاضر انتظار دارید.
محققان Spotify در انتشارات مارس نوشتند: این نوع فرمول "می تواند با کمک به کاربران برای کشف محتوای جدید یا الهام بخشیدن به سلیقه های جدید، تحقیق را تسهیل کند." "این می تواند به پلتفرم کمک کند مصرف را در بین هنرمندان گسترش دهد و مصرف محتوای کمتر محبوب را آسان تر کند.
البته اسپاتیفای دلایل مالی خاص خود را برای تنوع بخشیدن به پالت سلیقه کاربران خود دارد. تحقیقات داخلی نشان می‌دهد که کاربران فعال با عادات شنیداری متنوع‌تر «25 درصد بیشتر از کاربرانی که تنوع کمتری در مصرف موسیقی دارند، از رایگان به Premium تبدیل می‌شوند».
برای اینکه از اولویت‌های در حال تغییر ما جلوتر بمانیم و توصیه‌های آنها را تازه نگه داریم، Spotify همچنین باید بتواند بفهمد آنچه ما دوست داریم چگونه می‌تواند در طول زمان تغییر کند. در اوایل سال جاری، محققان مدلی را بر اساس مجموعه داده ای متشکل از 100000 کاربر Spotify ساختند که از سال 2016 تا 2020 به طور مداوم فعال بودند. آنها به تاریخچه پخش هر کاربر نگاه کردند، موسیقی آنها را در "ژانرهای خرد" گروه بندی کردند و آنها را در طول زمان نقشه برداری کردند. چیزی که آنها به آن دست یافتند یک گرافیک مرتبط بود که انتقال بین ژانرهای مختلف موسیقی را نشان می دهد. به عنوان مثال، مدل آنها نشان می‌دهد که برای انتقال از EDM به نو جاز یا گاسپل، مصرف‌کنندگان احتمالاً مرحله‌ای از دوست داشتن خانه‌های گرمسیری را طی می‌کنند که موسیقی الکترونیکی جالب اما شادابی است.
با استفاده از مسیرهای تعیین شده در این مدل، Spotify امیدوار است که بتواند به تدریج کاربران را با ژانرهای مختلف با سفر در ژانرهای خرد که بین آنچه قبلاً دوست دارند و آنچه هنوز نمی‌دانند قرار دارند، سازگار کند.
فراتر از موسیقی، دهه تحقیقات شخصی سازی Spotify اکنون به پادکست ها نیز گسترش یافته است. استول در یک پست وبلاگی در این شرکت گفت: "به نظر می رسد که ما حتی می توانیم پیش بینی کنیم که شنونده از چه نوع پادکست هایی بر اساس سلیقه موسیقی خود لذت می برد." اما برنامه‌های اسپاتیفای برای گسترش صدای خود به همین جا ختم نمی‌شود - اخیراً شرکت کتاب‌های صوتی Findaway را خریداری کرده است.
[ad_2]
مقالات مشابه
- آموزش فتوشاپ، آموزش رایگان کامل و حرفه ای مبتدی تا پیشرفته فتوشاپ
- داشتن برج خنک کننده تحریک آمیز فقط تحت این شرایط کار می کند
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی
- آیا تخت بادی خوب است؟
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی
- آموزش تقویت سئو
- لباس طرح دختر کفشدوزکی بزرگسال در سرزمین تولد
- ظروف شیشه ای آزمایشگاهی فلاسک پایین
- ساعات پر بیننده: نسکار مجموعه برای اولین بار از شنبه شروع سال 1984
- دیدگاه دانشمند محلی در مورد حفاظت