Согласно исследованию экспертов по машинному обучению и специалистов по анализу данных, людям, которые слушают рок или хип-хоп, сложнее угодить алгоритмам рекомендаций по музыке.

Как нам сказали, проблема заключается в следующем:

  • Люди, которые предпочитают так называемую хард-музыку, которая охватывает широкий спектр жанров от хард-рока и панка до хип-хопа, не очень интересуются музыкой за пределами своей ниши.
  • Люди, которые предпочитают более мягкую музыку, которая представляет собой ограниченный набор жанров, с удовольствием слушают артистов, не относящихся к их нише.
  • Алгоритмы лучше рекомендуют треки покладистым фанатам эмбиента, чем привередливым фанатам тяжелой музыки, или, другими словами, хуже выбирают треки для заядлых любителей музыки, чем для любителей эмбиента.

Короче говоря, заядлые меломаны разборчивы, и алгоритмы не справляются с этими непонятливыми людьми. Этот вывод может показаться тривиально очевидным, но мы полагаем, что это наука: подтвердить вывод, даже если он очевиден, а затем найти инженера, который его исправит.

«Некоторые подгруппы, такие как эмбиент-слушатели, кажутся более открытыми для прослушивания музыки из других подгрупп; плюс, они больше похожи друг на друга — все это отлично подходит для алгоритмов рекомендаций, и такие пользователи с большей вероятностью принимают рекомендации разных групп », — Элизабет Лекс, соавтор исследования, опубликовано в EPJ Data Science в этом месяце — рассказал Реестр.

«С другой стороны, слушатели, относящиеся к низкому мейнстриму хард-рока и хип-хопа, по нашим данным, наименее открыты для музыки других подгрупп, а внутри себя они гораздо более разнообразны, и, следовательно, их труднее удовлетворить рекомендациями».

Читайте также:
Это веб-приложение, по всей видимости, настроит ваши фотографии так, чтобы они сбивали с толку системы распознавания лиц. • The Register

Исследователи, возглавляемые профессионалами из Технологического университета Граца (TUG) в Австрии, проанализировали эффективность нескольких систем рекомендаций по историям прослушивания музыки около 4000 человек, полученным от пользователей Last.fm; задействованный код находится на GitHub, здесь.

Banksy_hmv_nipper_bazooka_648

Конечно, проверьте мои фоновые записи … но почему вы смотрите на мою коллекцию пластинок?

ПОДРОБНЕЕ

Могут ли модели правильно предсказать, какие еще мелодии им понравятся, учитывая некоторые треки и тип музыки, которую слушает каждый человек? Точность модели рекомендаций измерялась путем проверки того, совпадают ли предложения программного обеспечения с треками, которые конкретный пользователь действительно слушал и которые ему понравились. Когда команда взяла среднее значение того, насколько хорошо протестированы рекомендательные системы, они обнаружили, что их прогнозы были наиболее точными для окружающих слушателей и наименее точными для фанатов музыки.

Мало того, что поклонники тяжелой музыки менее склонны слушать другие жанры, песни, которые они слушают в своей нише, с большей вероятностью будут отличаться друг от друга. Между тем, треки, входящие в топ-мейнстрим-чарты, кажутся одинаковыми. Это усложняет рекомендательным системам поиск подходящей музыки для любителей тяжелой музыки.

Хотя программное обеспечение для рекомендаций, развернутое такими компаниями, как Spotify и Pandora, является секретным, алгоритмы, вероятно, будут основаны на алгоритмах механизма совместной фильтрации, точно таких же, как те, которые использовались в этом эксперименте, как нам сказали.

«Три из этих алгоритмов основаны на совместной фильтрации, что означает, что обнаруживаются похожие пользователи и рекомендуются песни этих похожих пользователей», — сказал Доминик Ковальд, первый автор статьи и руководитель исследовательской области группы социальных вычислений в Know -Центр, Австрия.

Читайте также:
Нет человека! Боффинс включает автопилот Tesla с веревкой, грузом и ремнем безопасности, а затем смотрит, как крутится • The Register

«Это наиболее часто используемый тип рекомендательных систем на сегодняшний день и, следовательно, также отражает основные из них, реализованные в Spotify или Pandora».

Это наиболее часто используемый тип рекомендательных систем на сегодняшний день и, следовательно, также отражает основные из них, реализованные в Spotify или Pandora.

Однако эти реальные системы будут более сложными, чем те, которые были протестированы для этого исследования, о чем следует помнить.

«Наши алгоритмы более упрощены, чем те, что используются на потоковых платформах, особенно с точки зрения данных, которые они могут использовать, поскольку, естественно, провайдеры платформ имеют полный доступ к данным пользователей», — добавил Лекс.

Команда надеется, что их исследование улучшит сервисы потоковой передачи музыки для людей, которые предпочитают свою конкретную музыкальную нишу.

«Если мы подумаем о проблеме с точки зрения артистов, которые производят музыку с низким уровнем мейнстрима, если их работы будут рекомендовать чаще, они получат больше внимания и взаимодействия, что имеет решающее значение в этом бизнесе», — сказал нам Лекс. мы надеемся, что наше исследование поможет лучше обслуживать потребителей и поможет артистам с низким уровнем мейнстрима получить больше информации на платформах потоковой передачи музыки ».

Примечание редактора: Эта статья была обновлена ​​после публикации, чтобы включить цитату Доминика Ковальда и уточнить нашу формулировку статьи.