Miten Apple Musicin algoritmittaiset levylistat toimivat
Apple käyttää hybridi suosituksen lähestymistapaa, joka yhdistää yhteistyöfiltrointi ja sisällönpohjainen analyysi.
** Yhteistyöfiltrointi** tunnistaa malleja miljoonien käyttäjien välillä. Jos Artista A-kuulijat myös virtaavat Artista B:tä, järjestelmä oppii sen yhteyden ymmärtämättä, miksi musiikki on samanlainen. Tämä antaa "Listeners Also Played" -voimaa ja vaikuttaa henkilökohtaiseen sekoituskuratioon.
** Sisällön perusteella filtroitu** analysoi itse äänen: tempo, avain, instrumentti, energiatason ja äänen ominaisuudet. Tämä mahdollistaa järjestelmän suosittelemisen ääntä sarjalla olevat kappaleet, vaikka ne eivät vielä jakaa yleisön päällekkäisyyttä.
Apple yhdistää nämä lähestymistavat Word2Vec-tyylisten sisällytysten avulla, jotka edustavat lauluja ja taiteilijoita vektorina korkeatasoisessa tilassa.
Algorithmisten tärkeimmät sekoitukset
Jokainen yksilöllinen sekoitus palvelee eri havaintotilaan ja reagoi eri signaaleihin:
| Liikutus | Päivitystaajuus | Mitä se tekee | Alkuperäiset signaalit |
|---|---|---|---|
| Käsviharkasta rotatiosakea | Päivittäinen | 25 suosituinta lauluta viimeisten 30 päivän aikana | Viimeaikainen soittaminen, toistuva kuunteleminen |
| - Ensin minä. | Viikoittain (tanssit) | Rahoitus syvistä historiallisista tiedoista ja tähtijäljistä | Pitkäaikaiset suosikat, kirjaston mukaan, toistuva käyttäytyminen vuosien varrella |
| Uusi musiikki mix | Viikko (perjantaina) | Uudet julkaisuja seuraavien taiteilijoiden ja vastaavien taiteilijoiden | Seuraavaksi, kirjaston lisää, aikaisempi yhteys samanlaisille taiteilijoille |
| - Nouse ylös! | Viikko | Korkea-energian pisteet, jotka soveltuvat harjoitus- ja aktiviteettiyhteyksien kanssa | Akustinen analyysi, tempo, energian luokittelu |
| -Hallo, se on... | Viikko | Hohta, rentoutuneita pisteitä keskittymiseen tai työntymiseen | Akustiikka, lyriset tunteet, vähäenergiainen luokitus |
| Katsoitusasema | Jatkuva | Algoritminen radio, joka testää läheisiä artisteja kuuntelemismallien perusteella | Kokouksen pituus, alhaiset välittömät määrät, osallistumisen johdonmukaisuus |
Signal-hierarkia: mikä painaa eniten
Applein suositusjärjestelmä syrji käyttäjien erilaisten vuorovaikutusten välillä.
| Signaali | Tyyppinen | Algorithminen painon määrä | Mitä se kertoo Appleille |
|---|---|---|---|
| ** Kirjaston lisätys** | Aktiivinen | Korkeimmat | Käyttäjä haluaa pysyvän pääsyn . Vahvin affiniteettisignaali |
| - Ensin hän oli. | Aktiivinen | - Hyvin korkealla . | Ilmeinen mieltymystä; lisää taiteilijan näkyvyyttä pinta-alalla |
| Pelaluettelo lisää | Aktiivinen | Korkea | Yhteenviitetietoja siitä, miten kappale sopi kuuntelijan elämään |
| Kumpletointi | Passiivinen | Keskimääräinen | Käyttäjä osallistuu koko reitin ajan; vahvistaa suosituksen |
| ** Toistetaan näytelmiä** | Passiivinen | Korkea | Rautalla on pysyvä voima; se merkitsee aidon läheisyyttä |
| **Skip (< 30 vuotta) ** | Passiivinen | Vihdasta | - Se ei kiinnitä huomiota. |
| "Ehdotan vähemmän" | Aktiivinen | Vihdasta | Kova suodattimella radan tai taiteilijan vastainen |
** Kirjaston lisääminen on yksi tärkein signaali.** Toisin kuin tallentaminen muilla alustoilla, Apple Music -kirjaston lisääminen on arkkitehtonisesti vastaava "omistukseen," iTunes-mallien jäänteeseen. Se merkitsee haluta pitkän aikavälin säilyttämistä ja vaikuttaa voimakkaasti New Music Mixin ja Discovery Stationin suositusten.
Kumplikaatiotaso on tärkeämpää kuin pelaamisen määrä. Julkaisu, joka alkaa, mutta jää yli 30 sekunnin, lähettää negatiivisen signaalin.
Optimointi jokaiselle sekoitustyyppille
Uusi musiikkiliitto
New Music Mix sisältää uusia julkaisuja artisteista, joita kuulija seuraa sekä samanlaisia artisteja heidän kuuntelemismalliensa perusteella.
Näytetään lisää uusia musiikkivahakeita:
Laita seuraajien lukeminen ennen julkaisemista Kuunneltava, joka seuraa sinua, voi automaattisesti saada uusien julkaisujensa uusissa musiikki mixissä.
Tuottaa vahvoja signaaleja ensimmäisellä viikolla Kirjaston lisää ja toistaa näytelmiä ensimmäisten 7 päivän aikana - kouluttaa algoritmia laajentamaan tavoitetta.
Pääsyaika Uusi Music Mix värjättää perjantaina.
Säilytä äänen johdonmukaisuus Algorithmi sijoittaa sinut sisäänrakennusalueelle äänen ominaisuuksiesi perusteella.
Miesmielisyys
Favorites Mix perustuu syvällisiin historiallisiin kuuntelemistietoihin ja selkeisiin Favorite (tähti) -teoksiin.
Favorite Mix -levyissä näkyvät jäljet , kun:
- Kuulaja on esiintynyt (suosittunut) kappaleeseen tai taiteilijalle
- Kuulaja on soittanut kappaletta toistuvasti kuukausia tai vuosia.
- Laulun on lisätty kuulijan kirjastolle.
Tip Kun käyttäjä merkitsee kappaleen suosikkina, se varmistaa kappaleen ilmestyvän suosikkimahdollisuuksissaan ja puolueen Autoplay-valikoimissa.
Raskas pyörimisen sekoitus
Heavy Rotation Mix julkaisi 25 viimeisen 30 päivän suosituimman laulun.
Tämä sekoitus on puhtaasti reaktiivinen hiljattain kuuntelemaan käyttäytymiseen. Et voi "optimoida" Heavy Rotation suoraan, mutta voit luoda kappaleita, jotka palkitavat toistuvaa kuuntelemista.
Häätilanteisiin perustuvat sekoitukset (Nouse ylös!
Get Up! ja Chill mixit käyttävät äänen- ja lyrisen analyysiä energian ja mielialan vastaamiseksi.
Luokitukseen vaikuttavat tekijät:
- Tempo ja BPM
- Tuotannossa käytettävät energiatasoja
- Äänestysintensiteetti ja tunteet
- Lyrisen sisällön analyysi
Jos laulu kuulostaa harjoituslauluilta (korkea tempo, energia), se näkyy Get Up! -lauluissa kuulijoille, jotka ovat osoittaneet enemmistönsä kyseiselle energiatasolle.
Discovery-asemalla
Discovery Station on algoritminen radioasema, joka on suunniteltu löytämiseen.
Discovery Station vetää maku-ryhmiä, kuulijoiden ryhmiä, joilla on samanlaisia käyttäytymismalleja. Jos jälki toimii hyvin yhdellä kyyppöllä (korkea suoritus, alhaiset hyppäykset), Apple testaa sitä naapurissa oleviin kyyppöihin. Näin tavoite laajenee orgaanisesti.
Discovery Stationin avainkäyttö on istuntojen laajentaminen.
Ensimmäinen viikko
Apple käyttää varhaisia tietoja, jotta voidaan päättää, kuinka laajasti jälki testataan uusille yleisöille.
Ensimmäisen viikon voimakkaat signaalit tuottavat yhdistelmävaikutusta: alkuaikainen sitoutuminen johtaa laajempaan jakeluun yksilöllisissä sekoituksissa, mikä johtaa useammalle kuulijoille, mikä tuottaa enemmän signaaleja.
Aktivoi ensin ydinpysykääsi Ensin kirjoitukset ja lisäykset muodostavat algoritmin perustarjan.
Kirjaston lisäarvon ilmoittaminen Monet juhlatyöntekijät eivät tajua, että lisätys kirjastolle auttaa.
Luota musiikkia, joka palkitsee kuunneltua. Vahvat loput pitävät huomiota kiinni ja tuottavat valmiussignaaleja.
Käytä ennalta julkaistu hype strategisesti Ennakko-lisäykset edistävät ensimmäisen päivän virtauksia, mutta eivät suoraan käynnistä algoritmista sijoittamista.
Yleiset optimointivirheet
Alhaisen laadun virtausten ostaminen
Jos käyttäjät, jotka eivät ole ottaneet yhteyttä 30 sekunnin kuluttua, saavat kylmiä klikkejä, ne tuottavat negatiivisia signaaleja.
Täytäntöönpanon nopeus
Julkaisu, joka alkaa, mutta jää yli 30 sekunnin, lähettää negatiivisen signaalin, vaikka se kerääkin korkeat pelaamisen määrät.
Vapauttaminen epäjohdonmukaisesti
Algorithmin avulla määritetään, mitkä kuulijat saavat musiikkiasi suosituksissa.
Peliluetteloiden sijoittaminen tavoitteena
Kun luetteloon pääsee, se luo virtauksia, mutta jos kuulijat ohjaavat tai eivät koskaan palaa, signaalit ovat neutraaleja tai negatiivisia.
Algorithmisen suorituskyvyn mittaaminen
Apple Music taiteilijoille ei osoita suoraan, millä algoritmilla soitteluista jäljet näkyvät.
- Pelien tietolähteet: Katso, mikä prosenttiosuus näytöistä tulee henkilökohtaisten pintojen verrattuna suoralle etsimiselle
- Uusi kuulijan kasvu: Algoritminen jakelu johtaa löytöön; uusien kuulijoiden määrä nousee viittaa algoritmin aktivointiin
- Maantieteellinen laajentuminen: Jos näet uusia alueita ilman suoraa markkinointia siellä, algoritminen jakelu on todennäköisesti vastuussa
- Plays- through-rate: Korkeat suorituskyvyn tasot vastaavat algoritmin suosiota
Jos signaalit ovat vahvoja ensimmäisellä viikolla, pidä liikkeellä tuoreen sisällön ja markkinoinnin avulla, joka pitää keskeisen yleisönne mukana.
Algotoriallinen suhde
Apple käyttää sitä, mitä alan analyytikot kutsuvat "algo-torial" -malliksi.
Kun toimittajat valitsevat kappaleen toimittajakorokseen, algoritmi oppii päätöksestä. Editorial placements kouluttavat algoritmia tunnistamaan laadukkaita signaaleja, joita raaka-virran laskut eivät vielä heijastu. Näin uudet taiteilijat murtautuvat kylmän aloituksen ongelmasta.
Kun musiikki on julkaistu, Applein järjestelmä tarkkailee, mitä kuulijat tekevät. Korkeat suorituskyky ja kirjastot vahvistavat, että kirjoitus oli oikea, mikä aiheuttaa algoritmisen jakelun laajentumisen.
Tämä luo hyveellisen tai pahan pyörän, joka riippuu kuulijan käyttäytymisestä. Vahva toimitus, joka toimii hyvin, kasvaa algoritmiseen näkyvyyteen.