De qué forma Spotify decide qué música debería gustarte de acuerdo a sus propiedades acústicas y a tu historial.
Un pasante de Spotify publicó en su blog de qué forma trabajan los algoritmos que utiliza la empresa para recomendar música, utilizando el aprendizaje profundo para analizar las propiedades acústicas de las canciones. Él espera que sus modelos puedan ayudar a los oyentes a descubrir música nueva y relativamente desconocida.
Spotify es uno de los principales actores en el mercado del streaming, gracias a su enorme biblioteca. Pero muchas veces no alcanza con tenerlo (casi) todo si no hay una forma simple y rápida de encontrar lo que se está buscando… o lo que ni siquiera se sabe que existe.
Es que buena parte de la fórmula del éxito de estos modelos de negocio recae en la estrategia para que el usuario continúe navegando (o consumiendo) una vez que finalizó de hacer lo que estaba haciendo.
El autor del post, un estudiante de la Universidad de Gante (Bélgica) llamado Sander Dieleman, explica que el objetivo de su investigación era hacer que sea más fácil para las canciones nuevas o desconocidas conseguir ser incluídas entre las recomendaciones a los oyentes. Esencialmente, su objetivo es sugerir canciones que suenen similar a las que te gustan en vez de canciones que otras personas con gustos similares a los tuyos están escuchando.
El mayor problema del sistema actual de recomendaciones es que está basado en una técnica conocida como «filtro colaborativo». Dice Dieleman: «la idea de filtrado colaborativo es determinar las preferencias de los usuarios a partir de datos históricos de uso. Por ejemplo, si dos usuarios escuchar en gran medida el mismo conjunto de canciones, sus gustos son probablemente similares. Por el contrario, si dos canciones son escuchadas por el mismo grupo de usuarios, es probable que suenan similares. Desafortunadamente, esto también resulta ser su mayor defecto. Debido a su dependencia de los datos de uso, los artículos populares serán mucho más fáciles de recomendar que los artículos impopulares, ya que no hay más datos de uso disponibles para ellos».
Este sistema de aprendizaje profundo de Dieleman, que explica con detalle en el post, analizó muestras de treinta segundos de las 500.000 canciones más populares en Spotify con el fin de conocer sus características acústicas.
Lo más interesante es que Dieleman incluye listas de reproducción de prueba basándose en canciones con determinadas características (por ejemplo, el bajo o la batería, el tipo de acordes y hasta partes vocales) y también playlists con temas que tengan similitudes con determinada canción que uno quiera comparar.
Aunque el objetivo de este trabajo es ayudar a los oyentes a descubrir nuevos artistas y canciones mediante la incorporación en las recomendaciones de los algoritmos, Dieleman cree que también se puede aprovechar precisamente para lo opuesto: eliminar de las recomendaciones las canciones que se parecen poco y así acercarse más al supuesto gusto del usuario.
Desde ya que Spotify no es la única empresa que está en esta línea de investigación. Otros medios digitales, como Netflix, apuestan a calibrar estos algoritmos con la esperanza de avanzar en el aprendizaje profundo. Sin dudas, hay muchas características relacionadas con contenidos que aún están por explorarse. El aprendizaje profundo quizás no vaya a revolucionar las recomendaciones, pero en un mundo digital donde son tan valoradas, toda ayudita es bienvenida.
