Her pazartesi, yüz milyonlarca Spotify kullanıcısı karşılarında kendilerini bekleyen ve kişiye özel hazırlanmış Haftalık Keşfet (Discover Weekly) adlı yeni bir çalma listesi buluyor …
Daha önce hiç dinlemedikleri, ama muhtemelen sevecekleri 30 şarkıdan oluşan özel bir oldukça sihirli bir aranjman önerisi bu sunduğu…
Ben Spotify ‘ın, ama en çok da Haftalık Keşfet’in ciddi bir hayranıyım…
Neden mi?
Yeni birşeyler sunulmasından da öte, bana göründüğümü ve bir müşteri olarak farkında olunduğumu hissettiriyor…
Standart olarak herkes için aynı olan bir çalma listesi yerine, bana özel hazırlanmış bir ürün bu…
Müzik zevkimi ve tercihlerimi hayatımdaki herhangi bir insandan çok daha iyi biliyor,
Ve muhtemelen kendim asla bulamayacağım; hatta bulmak için farkındalığımın bile olmadığı, lakin tercihlerimle şaşırtıcı şekilde tutarlı parça önerileriyle çıkıyor karşıma…
Peki Spotify, her hafta her kullanıcısı için bu 30 şarkıyı seçme konusunda bu kadar harika bir işi nasıl çıkartıyor?
Ve tüm diğer müzik servis sağlayıcıları ile kıyaslandığında Spotify ‘ın bu hizmeti nasıl çok daha başarılı uygulayabildiğine hiç kafa yordunuz mu???
Aslında kullanıcıya bir takım önerilerle gitme konusunda ilk adımı atan Spotify değildi pek tabii ki…
Daha 2000ler’ in başında benzer hizmetler farklı servis sağlayıcılar tarafından da sunuluyordu; lakin başlangıçta bunu manuel, bir süre sonra ise basit bir takım algoritmalarla yapıyorlardı…
- “Collaborative Filtering Models” olarak tanımlanan, hem sizin hem de diğerlerinin davranışlarını analiz eden İşbirliğine Dayalı Filtreleme modelleri (yani aslında LAST FM’ in orijinal olarak kullandığı model)
- Metni analiz eden Natural Language Processing (NLP) isimli Doğal Dil İşleme modelleri
- Bu ikisine ek olarak ham ses parçalarını da analiz eden ses modelleri
İşbirliğine Dayalı Filtreleme (Collaborative Filtering)
“İşbirliğine Dayalı Filtreleme” tanımı duyulduğunda genellikle akla ilk olarak Netflix gelir; çünkü bir öneri modelini güçlendirmek için bu yöntemi kullanan ilk şirketlerden biri Netflix’ dir ve kullanıcıların yıldız tabanlı film puanlarını, durumu bilgilendirmek için alır.
Amaç diğer benzer kullanıcılara hangi filmlerin önerileceğini anlamaktır…
Netflix, İşbirliğine Dayalı Filtreleme modelinde başarılı olduktan sonra kullanımı hızla yayıldı ve artık genellikle bir öneri modeli oluşturmaya çalışan herkes için başlangıç noktası teşkil ediyor…
Netflix’ten farklı olarak Spotify, kullanıcıların müziklerini derecelendirdiği yıldız tabanlı bir sisteme sahip değildir,
Ancak…
Bunun yerine,
Spotify’ın verileri bir nevi örtülü geri bildirimdir;
Yani parçaların akış sayıları, tekrarlayan dinleme oranları, bir kullanıcının parçayı kendi çalma listesine kaydetmesi veya bir şarkıyı dinledikten sonra sanatçının sayfasını ziyaret etmesi gibi ek akış verilerinin tamamını analiz ediyor…
Peki Bu Spotify Özelliği Bize Ne İfade Ediyor?
Bu kişilerin her birinin bir parça tercihleri var: Soldaki A,B,C ve D parçalarını seviyor, sağdaki ise B, C, D ve E parçalarını…
İşbirliğine Dayalı Filtreleme özelliği bu verileri şu şekilde yorumluyor:
“Hmmm… İkiniz de aynı parçalardan üçünü ortak olarak seviyorsunuz, bunlar B, C ve D – yani muhtemelen benzer profilde kullanıcılarsınız…
Bu nedenle, her biriniz muhtemelen diğer kişinin dinlediği, henüz duymadığınız diğer parçalardan keyif alacaksınız.”
Bu şekilde, sağdakinin ortak analizde bahsedilmeyen tek parça olan, ancak “benzer” profilde bir kullanıcının hoşlandığı A parçasını kontrol etmesini ve soldakinin de aynı gerekçeyle E parçasını kontrol etmesini önerir…
Çok zekice değil mi?
NLP (Natural Language Processing / Doğal Dil İşleme)
Spotify’ın kullandığı bir diğer tür öneri yöntemi NLP modelleridir…
Bu modeller için kaynak veriler, kelime kümeleridir.
Bu amaçla meta verileri, haber makalelerini, blogları ve internetteki tüm diğer metinleri takip eder….
Bir yazılımın insan konuşmasını anlama yeteneği olan NLP, başlı başına çok geniş bir alan…
Okuduklarımdan ancak bu kadarlık kısmını özetleyebileceğim…
Bu sanatçılara ve şarkılara atfen hangi sıfatların ve hangi dilin sıklıkla kullanıldığı ve bunların yanında başka hangi sanatçılar ve şarkıların da tartışıldığı ile ilgili çok detaylı bir analiz çıkarır ortaya….
Spotify insanların sanatçılar ve şarkılar hakkında ne söylediğini, nasıl yorum yaptığını ve verdikleri reaksiyonları en detaylı haliyle anlamak için sürekli olarak tüm interneti tarar…
Bir nevi istihbarat toplar…
Gerçekten çok etkileyici!!!
Ham Ses Modelleri (Raw Audio Models)
Akla ilk olarak şu soru gelebilir: “Zaten ilk iki modelden çok fazla veri elde ediliyor; neden ham sesin kendisini de analiz etme ihtiyacı duyuluyor?
Her şeyden önce, üçüncü bir model eklemek, müzik tavsiye hizmetinin doğruluğunu daha da artırır…
Ancak bu model aynı zamanda ikincil bir amaca da hizmet eder:
İlk iki türden farklı olarak, ham ses modelleri yeni şarkıları hesaba katar…
Örnek olarak şarkıcı-söz yazarı bir kişinin Spotify ‘a koyduğu bir şarkıyı alın…
Belki yalnızca 50 dinlemesi vardır, bu nedenle ortaklaşa filtrelemek için ancak sınırlı bir dinleyici sayısı olacaktır…
Ayrıca internette henüz hiçbir yerde bahsedilmemesi nedeniyle, genel algoritmaya takılmayacak ve NLP modelleri onu değerlendirmeye almayacaktır…
Oysa ki, ham ses modelleri yeni parçalar ve popüler parçalar arasında ayrım yapmaz, bu nedenle popüler şarkıların yanı sıra tüm diğer şarkılar da Haftalık Keşfet çalma listesine girebilir!
Ancak çok soyut görünen ham ses verilerini nasıl analiz edebilir?
İşte onu da Convolutional Neural Networks adı verilen sistem ile beceriyor…
Aslında temel olarak yüz tanıma yazılımında kullanılan teknolojinin aynısıdır…
Spotify örneğinde ise pikseller yerine ses verilerinde kullanılmak üzere modifiye edilmişler..
İşte tam bir nöral mimari örneği…
Sonuç olarak, şarkının temel özelliklerinin bu şekilde okunması, Spotify ‘ın şarkılar arasındaki temel benzerlikleri ve dolayısıyla kullanıcıların kendi dinleme geçmişlerine dayalı olarak nelerden zevk alabileceklerini anlamasına olanak tanır….
O halde başlık sorumuza cevap verelim:
Spotify ortam dinlemesi yaparak mı bizler hakkında tüyo alıyor???
Hayır….
Bundan çok çok daha kompleks bir sistemler zinciri içerisinde ve bilhakis o şekilde alabileceği bilgilerden çok daha fazlasını analiz ediyor…
Aslında yaptığı Big Data içerisinde madencilik yaparak kişiye özel hizmetlerle müşteri deneyimini geliştirmeye çalışıyor !!!