مکانیزم هوشمند اسپاتیفای چگونه الگوریتمهای پیشرفته سلیقه موسیقی شما را رمزگشایی میکنند؟, اسپاتیفای با بهرهگیری از ترکیبی هوشمندانه از علم داده و یادگیری ماشین، توانسته است تجربهای منحصر به فرد برای کشف موسیقی فراهم آورد.
موتور پیشنهادی این پلتفرم تنها بر پایه محبوبیت کلی کار نمیکند، بلکه با تحلیل عمیق رفتار کاربران و ویژگیهای فنی آهنگها، یک پروفایل سلیقه شخصیسازی شده برای هر فرد میسازد.\پالایش گروهی قدرت حکمت جمعی در کشف موسیقییکی از ستونهای فقرات سیستم پیشنهادی اسپاتیفای، روش پالایش گروهی است.
.
بر این اساس، الگوریتم نیازی به درک محتوای آهنگ (ژانر، ساز، متن) ندارد؛ بلکه صرفاً با مقایسه الگوهای تعامل کاربران، پیشبینی میکند که چه قطعهای میتواند مورد پسند شما باشد.برای دقت بیشتر، موتور جستجو و پیشنهاد اسپاتیفای سیگنالهای زیر را از تعاملات کاربران استخراج و تحلیل میکند\تاریخچه شنیدن ردیابی دقیق قطعاتی که کاربر در گذشته گوش داده تا الگوهای تکرار و علاقه شناسایی شود.پلیلیستها و ذخیرهسازیها آهنگهایی که کاربر به لیستهای شخصی اضافه میکند یا در کتابخانه خود نگه میدارد، مؤشر قوی علایق او هستند.رد کردن و تکرار شنیدن نادیده گرفتن مداوم یک آهنگ یا در مقابل، پخش مکرر آن، بازخورد منفی یا مثبت صریح برای تنظیم پیشنهادها محسوب میشود.لایک و اشتراکگذاری تعاملات فعال مانند پسندیدن یا به اشتراک گذاشتن، وزن بیشتری در مدلسازی سلیقه کاربر دارند.\پالایش محتوامحور درک آناتومی آهنگدر کنار روش گروهی، اسپاتیفای از پالایش محتوامحور استفاده میکند که مستقیماً بر روی ویژگیهای صوتی و متادیتای آهنگها تمرکز دارد.
سیستم با استخراج و کمّیسازی ویژگیهای صوتی، فضای چندبعدیای از آهنگها میسازد و قطعات نزدیک به هم در این فضای ویژگی را به کاربر پیشنهاد میدهد.برخی از مهمترین ویژگیهای صوتی که توسط API اسپاتیفای استخراج و تحلیل میشوند عبارتند از\تمپو (BPM) سرعت ضربان آهنگ که حس سرعت یا کندی را القا میکند.رقصپذیری ترکیبی از ثبات ریتم، قدرت بیت و سرعت کلی که نشان میدهد آهنگ چقدر برای رقص مناسب است.شادابی معیاری از ۰ تا ۱ که مثبت بودن حس موسیقی را نشان میدهد؛ مقادیر بالا بیانگر حس شادی و انرژی، و مقادیر پایین بیانگر حس غم یا ملانکولی است.انرژی شدت و فعالیت درک شده آهنگ؛ آهنگهای پرانرژی معمولاً سریع، بلند و پرسر و صدا هستند.آکوستیکبودن احتمال اینکه آهنگ به طور اصلی با سازهای آکوستیک (غیرالکترونیکی) اجرا شده باشد.سازی پیشبینی عدم وجود صدا/آواز در قطعه؛ مقادیر بالا معمولاً به آهنگهای بیکلام یا اینسترومنتال اشاره دارد.زندهبودن تشخیص حضور مخاطب در زمان ضبط برای تفکیک اجراهای زنده از نسخههای استودیویی.گفتاری میزان حضور کلمات منطوق در آهنگ؛ برای تفکیک رپ، پادکست و کتابهای صوتی از آهنگهای آوازین حیاتی است.کلید و مود ( & ) ô آهنگ (ماجور/شاد یا مینور/غمگین) که بر حس کلی اثر میگذارد.بلندی سطح فشار صدای کلی به دسیبل، که بر درک برجستگی و حضور آهنگ تأثیر دارد.\موتور تصمیمگیری یادگیری ماشین در قلب شخصیسازیادغام خروجیهای دو روش بالا و تبدیل آنها به یک لیست نهایی مرتب شده، وظیفه مدلهای پیشرفته یادگیری ماشین است.
وقتی کاربر با آهنگها تعامل دارد (لایک، رد، ذخیره)، برچسبهای مثبت و منفی برای مدلهای طبقهبندی ایجاد میشود.
اسپاتیفای برای حل این مسئله طبقهبندی باینری (پسند/عدم پسند) از مجموعهای از الگوریتمهای قدرتمند استفاده میکند\رگرسیون لجستیک یک مدل پایه و قابل تفسیر برای برآورد احتمال پسندیدن یک آهنگ بر اساس ویژگیهای ورودی.ماشین بردار پشتیبانی (SVM) برای یافتن مرز بهینه تفکیک بین آهنگهای مورد علاقه و غیرمورد علاقه در فضای ویژگیهای بالا.آدابوست یک روش سانبل که با ترکیب چند مدل ضعیف، یک طبقهبند قوی و دقیق میسازد و روی نمونههای سختبرایکلاسبندی تمرکز میکند.\این مدلها به صورت پیوسته با دادههای تازه بازآموزی میشوند تا با تغییر سلیقه کاربر همگام بمانند.
نتیجه نهایی، ترکیبی هوشمندانه از چه چیزی دیگران شنیدند و چه ویژگیهایی این آهنگ دارد است که باعث میشود لیستهایی مانند یا، حس کنند انگار یک دیجی شخصی دقیقاً سلیقه شما را میشناسد.
