МЕТОД ИСПОЛЬЗОВАНИЯ ИССКУСТВЕННОГО ИНТЕЛЛЕКТА В АНАЛИЗЕ ПРЕДПОЧТЕНИЙ ПОЛЬЗОВАТЕЛЯ В МУЗЫКАЛЬНЫХ ПРИЛОЖЕНИЯХ

METHOD OF USING ARTIFICIAL INTELLIGENCE IN ANALYZING USER PREFERENCES IN MUSIC APPS

Nikita Yakovlev

student, Department of Informatics and Computer Science, Russian State Social University,

Russia, Moscow

Elena Malysheva

scientific supervisor, candidate of technical sciences, associate professor, Russian State Social University,

Russia, Moscow

АННОТАЦИЯ

В статье рассматривается метод анализа пользовательских предпочтений в музыкальных сервисах с использованием искусственного интеллекта (ИИ). Описываются алгоритмы и модели машинного обучения, используемых для построения рекомендаций песен пользователя. Также идет обсуждения подходов к персонализации контента и оценке удовлетворённости пользователей.

ABSTRACT

The article discusses a method for analyzing user preferences in music services using artificial intelligence (AI). It describes the algorithms and machine learning models used to build user song recommendations. It also discusses approaches to content personalization and user satisfaction assessment.

Ключевые слова: искусственный интеллект, рекомендации, музыкальный плейлист, анализ данных, машинное обучение, музыка.

Keywords: artificial intelligence, recommendations, music playlists, data analysis, machine learning.

Введение

В последние годы развитие технологий с машинным обучением привело к значимым изменениям в сфере медиаконтента. Музыкальные сервисы, такие как Яндекс Музыка, Spotify, Apple Music активно используют эти технологии для создания персонализированных предпочтений пользователя, что сильно влияет на пользовательский опыт использования музыкальных приложений. Основная задача состоит в том, чтобы понять, как ИИ может анализировать предпочтения слушателя и на основе полученных данных формировать уникальные музыкальные плейлисты или список рекомендаций.

Методы и алгоритмы

В основе рекомендаций информационной системы музыкальных сервисов лежит несколько ключевых методов:

1. Коллаборативная фильтрация. Этот метод пользуется данными о действиях пользователя в сети, такие как прослушивание треков, оценки и отзывы к ним, для выявления сходств между слушателем и контентом, учитывая его теги (жанры). Данный метод подразделяется на пользовательскую и предметную коллаборативную фильтрацию.
2.  Контентная фильтрация. Основывается только на характеристиках самих пользователей сервиса, таких как жанр, темп, музыкальные инструменты, язык, вокал, также присутствуют темы связанные с тоном настроения пользователи по его выбору. Происходит анализ содержимых композиций и предоставляются рекомендации на основе сходства с уже прослушанным пользователем песнями.
3. Гибридные модели. В этом методе происходит объединение коллаборативной и контентной фильтрации, что позволяет улучшить пользовательский опыт, путем комбинирования.
4. Глубокое обучение. Использование нейронных сетей для анализа большого объёма данных, такие как мелодические и лирические аспекты песен, делает возможным подбирать рекомендации связанные с общим настроения слушателя.

Анализ предпочтений

Анализ рекомендаций собирается с помощью лайков или добавления в избранные песни, также на сбор данных влияет пропущенные треки или удаленные из раздела избранных песен. Эти данные проходят обработку с использованием алгоритмов машинного обучения с целью выявления основных мотивов или жанров пользователя.

Зачастую платформы не делятся разработками алгоритмов подбора рекомендаций. Удачные подобранные рекомендации оставляют потенциального пользователя, на долгий период использования данным информационном сервисом.

Создание персонализированных плейлистов

Создание плейлистов начинается с анализа профиля пользователя, включающего его историю прослушиваний в данном сервисе и текущие тренды региона. Затем осуществляется кластеризация песен и пользователей, что дает возможность формировать плейлисты, близкие к предпочтению конкретного слушателя. Система генерирует открытие новых композиций, которые попали в тренды, а также не популярные песни по предпочтению пользователя.

Оценка качества рекомендаций

Основная часть оценки эффективности рекомендаций осуществляется с помощью таких метрик, как точность, полнота и отложенные проверки. Исследования показывают, что пользователи более удовлетворены сервисом, когда плейлисты рекомендованные удовлетворяют их предпочтения.

Заключение

Музыкальные приложения для прослушивания, которые используют ИИ, демонстрируют свою высокую степень релевантности и персонализации контента. Дальнейшее развитие технологий машинного обучения и увеличения обработки данных открывают все более новые возможности для улучшения качества рекомендаций.

Список литературы:

1. КОГНИТИВИСТИКА И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, Романов Д. В., Камуз В.В., Крестьянова Е.Н., Мальцева О.Г.: в сборнике: Инновационные достижения науки и техники АПК. Сборник научных трудов Международной научно-практической конференции. 2018. С. 761-764.
2. Искусственный интеллект в маркетинге: примеры, ограничения, проблемы и мнение [Электронный ресурс]. URL: https://habr.com/ru/companies/click/articles/577036/ (дата обращения: 22.09.2024)
3. "Яндекс Музыка" перешла на использование глубоких нейросетей [Электронный ресурс]. https://rg.ru/2023/12/01/nejroseti-v-iandeks-muzyke-budut-sozdavat-novye-tipy-rekomendacij.html (дата обращения: 22.09.2024)