ЦЕЛЕСООБРАЗНОСТЬ ВНЕДРЕНИЯ ФУНКЦИОНАЛА СОСТАВЛЕНИЯ МУЗЫКАЛЬНЫХ ПЛЕЙЛИСТОВ НА ОСНОВЕ НАИБОЛЕЕ ЧАСТО ПРОСЛУШИВАЕМЫХ ПОЛЬЗОВАТЕЛЕМ ТРЕКОВ

АННОТАЦИЯ

В наше время, большинство людей, находясь в дороге, или даже дома, слушает музыку. Каждую неделю выходят сотни и десятки тысяч новых альбомов и музыкальных треков соответственно. И среди всего этого многообразия, очень сложно найти те самые треки, которые действительно понравятся пользователю. Поэтому, большинство сервисов для прослушивания музыки, помимо полюбившихся пользователю треков, также может предложить треки подобранные рекомендательной системой. В этой статье будет изучено то, насколько пользователи довольны существующими рекомендательными системами и проведено исследование целесообразности внедрения функционала рекомендательной системы на основе наиболее часто прослушиваемых пользователем треков.

ABSTRACT

Nowadays, most people, while on the road, or even at home, listen to music. Hundreds and tens of thousands of new albums and music tracks are released every week, respectively. And among all this variety, it is very difficult to find the very tracks that the user will really like. Therefore, most of the services for listening to music, in addition to the user's favorite tracks, can also offer tracks selected by the recommendation system. This article will examine how satisfied users are with existing recommender systems and conduct a study on the feasibility of introducing recommender system functionality based on the tracks most frequently listened to by the user.

Ключевые слова: Рекомендательная система, музыка, нейронные сети, музыкальный плейлист.

Keywords: Recommender system, music, neural networks, music playlist.

Рекомендательная система — комплекс алгоритмов, программ и сервисов, задача которого предсказать, что может заинтересовать того или иного пользователя. В основе работы лежит информация о профиле человека и иные данные. Рекомендательные системы сравнивают однотипные данные от разных людей и вычисляют список рекомендаций для конкретного пользователя [1].

Есть несколько основных способов построения рекомендательных систем: фильтрация содержимого и коллаборативная фильтрация [2].

Фильтрация содержимого — простой и понятный метод, при котором мы учитываем параметры содержимого, которым интересовался пользователь и ищем похожие [2].

Однако, на сегодняшний день, главным подходом к построению рекомендательных систем является коллаборативная фильтрация — технология прогнозирования предпочтений пользователя с учетом интересов других посетителей интернет-ресурса. При коллаборативной фильтрации используется информация о поведении всех пользователей в прошлом. Система делит пользователей на группы по схожим интересам и затем рекомендуем им то, что просматривали (покупали, заказывали) другие люди из этого сегмента. Такие зависимости очень сложно явно запрограммировать, но, зато, с этой задачей замечательно справляются компьютерные модели [2].

Рекуррентные нейронные сети идеально подходят для создания модели предсказания следующего события по цепочке предыдущих. Метод является очень гибким и позволяет использовать любую информацию об интересующих нас объектах. Кроме того, что немаловажно, учитывается последовательность просмотров, что позволяет отдавать предпочтение последним событиям. Главное преимущество в том, что для получения новых рекомендаций не требуется пересчитывать модель, можно получать ответы в режиме реального времени [2].

Рассмотрим две рекомендательные системы ярчайших представителей сервисов для прослушивания музыки: Spotify и Яндекс.Музыка.

Spotify соединила лучшие стратегии для своей рекомендательной системы. Для создания еженедельного плейлиста сервис использует три модели:

1. Коллаборативная фильтрация, которая анализирует модель поведения пользователей и находит людей с одинаковым вкусом [3].

2. Обработка естественного языка (ОЕЯ) для анализа информации о объекте на просторах интернета. Это делается для того, чтобы понять, что и какими словами говорят люди о конкретном артисте или песне. Кроме того, сервис смотрит, какие еще артисты и песни всплывают в таких описаниях [3].

3. Аудиомодели, которые анализируют аудиофайлы. Специально для данного сервиса был разработан алгоритм на основе сверточных нейронных сетей, который обрабатывает аудиофайл и на выходе система имеет такие характеристики, как его размер, гармония, форма, темп и громкость. Считывание ключевых характеристик тех или иных песен позволяет Spotify понять фундаментальную схожесть между различными треками [3].

В рекомендательной системе сервиса Яндекс.Музыка также используется метод коллаборативной фильтрации, но с некоторыми нюансами. Для сокращения размера матриц коллаборативной фильтрации, используется метод SVD, который позволяет сократить число анализируемых параметров. И также Яндекс.Музыка использует аудиомодели, для анализа аудиофайлов [4].

В процессе анализа выяснилось, что рекомендательные системы сервисов Spotify и Яндекс.Музыка очень похожи по структуре, поэтому пользовательский опыт от данных двух сервисов почти идентичен.

Стоит отметить, что немало важным являлось исследование пользователей, на основании которого мы можем сделать следующие выводы: 85.7% пользователей почти всегда устраивает то, что подбирает для них рекомендательная система, и только 14.3% опрошенных недовольны тем, что им предоставила система и 0% либо полностью довольны, либо полностью недовольны.

Рисунок 1. Процентное соотношение по опросу

Также мы провели опрос на тему того, что именно не устраивает пользователей в подобранных рекомендательной системой треков:

Рисунок 2. Гистограмма по опросу

Из всего вышесказанного, можно сделать вывод, что пользователи почти довольны тем, что рекомендует им система, но она все равно не точно попадает в музыкальный вкус человека. Проблема в том, что большинство рекомендательных систем анализируют именно последние действия пользователя. Но что, если система будет подбирать рекомендации не на основе последних объектов, а на основе часто используемых объектов.

На эту тему мы провели опрос, результаты представлены, и оказалось, что 81.8% пользователей хотели бы, чтобы рекомендательная система анализировала часто прослушиваемые треки, и 18.2% оказались против.

Рисунок 3. Процентное соотношение по опросу

Наша модель будет строится на основе нейросетей прямого распространения, так как рекомендации будут составляться раз в неделю, то система будет анализировать наиболее часто прослушиваемы треки пользователем за неделю и обучать на них модель, для выдачи конечному пользователю итогового результата, то бишь каждую неделю, модель будет обучаться заново, на основе полученных данных.

В дальнейшем планируется описать данную модель и испытать ее на практике, а также провести исследование, успешности работы данной системы, и посмотреть на сколько увеличится процент довольных подобранной музыкой пользователей.

Список литературы:

1. Университет ИТМО Вики «Рекомендательные системы». [Электронный ресурс]. – Режим доступа: URL – https://clck.ru/UbqY4
2. Deep Systems «Разработка рекомендательной системы общего назначения на основе глубокого обучения». [Электронный ресурс]. – Режим доступа: URL – https://deepsystems.ai/ru/solutions/recommendations
3. Институт музыкальных инициатив «ОТКУДА SPOTIFY ЗНАЕТ, ЧТО НАМ НРАВИТСЯ?». [Электронный ресурс]. – Режим доступа: URL – https://i-m-i.ru/post/how-spotify-works
4. Академия Яндекс «Как устроены рекомендации в Яндекс.Музыке». [Электронный ресурс]. – https://academy.yandex.ru/posts/kholodnye-polzovateli-i-mnogorukie-bandity