Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: Научного журнала «Студенческий» № 3(215)

Рубрика журнала: Технические науки

Секция: Технологии

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3, скачать журнал часть 4, скачать журнал часть 5

Библиографическое описание:
Власов Е.А. ПЕРСОНАЛИЗИРОВАННЫЕ ПОДБОРКИ В СТРИМИНГОВЫХ СЕРВИСАХ: КАК ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ПОМОГАЕТ НАМ ОТКРЫВАТЬ НОВОЕ // Студенческий: электрон. научн. журн. 2023. № 3(215). URL: https://sibac.info/journal/student/215/278855 (дата обращения: 24.12.2024).

ПЕРСОНАЛИЗИРОВАННЫЕ ПОДБОРКИ В СТРИМИНГОВЫХ СЕРВИСАХ: КАК ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ПОМОГАЕТ НАМ ОТКРЫВАТЬ НОВОЕ

Власов Егор Аркадьевич

студент, радиотехнический факультет, Омский государственный технический университет,

РФ, г. Омск

Аверченко Артем Павлович

научный руководитель,

ст. преподаватель, радиотехнический факультет, Омский государственный технический университет,

РФ, г. Омск

АННОТАЦИЯ

Искусственный интеллект вошёл в нашу повседневную жизнь, и даже способен составлять подборки на основе наших вкусов и интересов. Так как же это работает?

 

Ключевые слова: искусственный интеллект, рекомендации, нейросети, большие данные.

 

Введение

Искусственный интеллект (далее – ИИ) – алгоритм или система, выполняющая задачи, которые требуют интеллектуальных способностей человека. Такими задачами могут быть: распознавание речи, звуков; зрение; понимание текста и контекста; решение различных логических проблем; поиск сходств.

Для чего используется искусственный интеллект прямо сейчас?

ИИ используется практически везде, и помогает нам с повседневными делами, такими как: заказ такси, постройка маршрутка в картах, съёмка фотографий, прослушивание музыки, печать текста, разблокировка смартфона, и многими другими.

К примеру, чтобы найти наилучшее такси именно для вас и именно сейчас учитывается множество критериев: ваш рейтинг (составленный на основе предыдущих отзывов от водителей), рейтинг водителя, текущий спрос на такси, продолжительность и загруженность дороги. Полный список критериев, конечно же, намного больше.

Другой пример: вы хотите послушать что-то новое, но не знаете, что именно. Искусственный интеллект поможет вам и с этой задачей: составит подборку, основываясь на истории прослушанных и любимых песен, музыкантов, жанров, альбомов. Довольно схожий алгоритм работает и в видео-стриминговых сервисах: всё подбирается под именно ваш вкус.

Как ИИ знает, что нравится именно мне?

Для составления наиболее точных подборок используется огромное количество данных, собранных о предоставляемом контенте, а также об истории ваших действий внутри сервиса.

В качестве примера возьмём музыкальный стриминговый сервис «Spotify». Для составления примерного профиля пользователя используются:

  • Самые воспроизводимые и соответственно предпочитаемые песни;
  • Исполнителей, композиции которых вы слушаете чаще всего;
  • Сохранённые песни, альбомы, плейлисты, и исполнителей, на которых вы подписаны;
  • Предпочтения по жанру, настроению, стилю и эпохе;
  • Предпочтения в отношении популярности песен или их разнообразия;
  • Личный демографический и геолокационный профиль (возраст, пол, страна, и т.п.);
  • Темпоральная логика (время суток, дата, день недели, т.п.).

Все вышеперечисленные критерии, естественно, дают алгоритму примерное предположение о вкусе и личности пользователя. Но данных только о пользователе, конечно же, недостаточно. Для создания подборок также нужна информация о композициях, анализ данных которых происходит в три этапа:

  • Сбор и обработка «сухих» данных о треке: используются метаданные, предоставленные самим исполнителем. Среди них: название трека, исполнители, лейбл, дата выпуска, жанр и поджанр, настроение, стиль, и т.п.
  • Анализ аудиосигналов из аудиофайла трека: ИИ модель определяет индивидуальные признаки композиции, такие как: энергичность, настроение и пригодность для танца.
  • Анализ и дополнение данных о треке с помощью NLP моделей (Natural Language Processing – обработка естественного языка) и Интернета: модель помогает извлечь культурный контекст трека и дополнить анализ социальным аспектом его восприятия. При анализе используются даже плейлисты, созданные другими пользователями: к примеру, для того, чтобы понять настроение песни. Если трек появляется в плейлистах с названием «грустные песни», то настроение песни будет помечено как «грустное».

Используя огромный объём данных о пользователях и композициях, алгоритм способен сопоставить вкус пользователя и коллекцию контента на платформе, чтобы наконец создать подборку, которая алгоритмически подходит к вкусу того или иного человека.

Рекомендации на основе данных – самый эффективный и простой подход к персонализации опыта каждого пользователя. Но бывают моменты, когда данных об использовании сервисом ещё нет (например, пользователь только что создал аккаунт). Такую ситуацию называют «cold start – холодный старт». В данном случае у сервиса нет (либо недостаточно) данных о вкусе пользователя, и разработчикам платформы приходится придумывать решение. Чаще всего решением является FTUE (First Time User Experience – первый опыт пользователя) с возможностью выбора любимых артистов и жанров. Тогда алгоритм использует ограниченный набор данных и приравнивает его к некому «усреднённому пользователю», которому нравятся те же артисты, что и новому пользователю на платформе, и базирует первые подборки именно на тех критериях. Если же решения «cold start» нет, то у пользователя может сложиться впечатление о том, что платформа пустая, и слушать там нечего.

В итоге: рекомендации основываются на огромных объёмах данных, собранных о вас и других пользователях, а также о контенте, предоставляемом на платформе. Если этих данных нет, то никакой алгоритм не сможет найти схожесть между вашим вкусом и характеристиками контента.

Всегда ли алгоритмы персонализации честны и лояльны?

Конечно же нет. Вся честность и точность алгоритмов упирается в бюджет компании и в нужду дополнительного спонсирования проекта. Многие алгоритмы «подбрасывают» наиболее выгодный для платформы контент повыше в рекомендации для всех пользователей, тем самым ухудшая качество рекомендаций. В последнее время данная проблема стала наиболее заметна в сервисах как:

  • «Кинопоиск»: в рекомендациях чаще всего появляются исключительно проспонсированные фильмы и сериалы, либо же «ориджиналсы» сервиса.
  • «Spotify»: перемешка песен не случайна, а поднимает треки, которые выгодны тому или иному лейблу на первые места. Это становится наиболее заметно, когда из библиотеки в 3000+ песен при перемешке проигрываются только определённые 50-100.
  • «ВК Музыка»: в рекомендациях появляются рекламные треки и альбомы, а не то, что интересно пользователю. Есть сомнения о том, что рекомендации не настоящие, а на 100% состоят лишь из спонсорского контента.

Вывод: рекомендации могут быть подкорректированы вручную для повышения прибыли сервиса и чаще всего это крайне бросается в глаза, особенно если эта коррекция произошла внезапно и качество подборок ухудшилось.

Заключение

Алгоритмы, которые способны подбирать контент под вкус каждого пользователя безусловно перевернули индустрию с ног на голову, и произошло это благодаря созданию моделей-трансформеров (более известны как нейросети). Такие алгоритмы способны помогать нам открывать новое, но также могут и навредить: рекомендации могут быть предвзяты в сторону того, что выгодно для платформы, а не того, что интересно вам.

 

Список литературы:

  1. “Inside Spotify’s Recommender System: A Complete Guide to Spotify Recommendation Algorithms” / Dmitry Pastukhov for Music Tomorrow – 09.02.2022. URL: https://www.music-tomorrow.com/blog/how-spotify-recommendation-system-works-a-complete-guide-2022
  2. “Lessons Learned from Algorithmic Impact Assessments in Practice” / Henriette Cramer & Amar Ashar for Spotify Engineering – 29.09.22. URL: https://engineering.atspotify.com/2022/09/lessons-learned-from-algorithmic-impact-assessments-in-practice/
  3. “Giving Voice to Silent Data: Designing with Personal Music Listening History” / Jordan Wirfs-Brock, Sarah Mennicken, Jennifer Thom for Spotify Research – 15.05.20. URL: https://research.atspotify.com/2020/05/giving-voice-to-silent-data-designing-with-personal-music-listening-history/

Оставить комментарий