Nowe badanie pokazuje, że fani hard rocka i hip-hopu otrzymują mniej trafne rekomendacje piosenek od algorytmów Spotify.
Najczęściej używane aplikacje do słuchania muzyki, takie jak Spotify, Last.fm lub Youtube, mają algorytmy umożliwiające przewidywanie i pokazywanie nowej muzyki, która może Ci się spodobać. Mówiąc najprościej, jest to system rekomendacji oparty na wspólnym filtrowaniu: aplikacje rejestrują artystów i gatunki, których słucha użytkownik, i dopasowują te wyniki do podobnie myślących słuchaczy, aby dowiedzieć się, co lubią inni.
Fani hard rocka i hip-hopu otrzymują mniej trafne rekomendacje utworów
Ale te algorytmy nie są doskonałe w przypadku czegoś tak subiektywnego i ludzkiego, jak twórczość artystyczna i gusta muzyczne. Z tego powodu zespół naukowców z Politechniki w Grazu, centrum badawczego Know-Center GmbH, Uniwersytetu Johannesa Keplera w Linz, Uniwersytetu w Innsbrucku (wszystkie z Austrii) i Uniwersytetu w Utrechcie (Holandia) chciał sprawdzić, jak dokładne są rekomendacje generowane przez te algorytmy, szczególnie dla słuchaczy muzyki, która nie jest zbyt popularna lub mało znana ogółowi odbiorców.
Głównym rezultatem, opublikowanym w najnowszym numerze czasopisma EPJ Data Science, jest to, że algorytmy te zawodzą znacznie bardziej w przypadku słuchaczy hard rocka i hip-hopu niż w przypadku innych gatunków muzycznych.
Test na użytkownikach Last.fm ujawnił sytuację
Aby to przetestować, zespół zebrał historię słuchania 4148 użytkowników platformy Last.fm, zarówno tych, którzy słuchają muzyki popularniejszej komercyjnie, jak i tych, którzy wolą nieco mniej znanych artystów (2074 użytkowników w każdej grupie).
Opierając się na artystach najczęściej słuchanych przez każdego użytkownika, w badaniu wykorzystano model obliczeniowy, aby przewidzieć, czy chcieliby nowy utwór lub artystę, używając czterech różnych algorytmów rekomendacji. Potwierdzili w ten sposób, że słuchacze muzyki popularnej otrzymują zwykle dokładniejsze i precyzyjniejsze rekomendacje niż mniej komercyjna grupa słuchaczy.
Autorzy podzielili następnie słuchaczy muzyki niekomercyjnej na cztery grupy, zgodnie z charakterystyką muzyki, której najczęściej słuchają. Byli to: słuchacze gatunków muzycznych zawierających wyłącznie instrumenty akustyczne, takich jak folk czy piosenkarze-tekściarze; bardzo energetyczna muzyka, jak punk czy hip-hop; muzyka wysoce akustyczna, ale bezdźwięczna, taka jak muzyka ambient; i bardzo energetyczna, ale bezdźwięczna muzyka, taka jak elektronika. Badanie pozwoliło więc porównać historie każdej grupy i zidentyfikować, za pomocą modelu obliczeniowego, którzy użytkownicy byli bardziej skłonni słuchać muzyki poza ich preferencjami i różnorodnością gatunków muzycznych w każdej grupie.
Słuchacze muzyki akustycznej otrzymują lepsze rekomendacje
Dzięki tej kategoryzacji badanie wykazało, że słuchacze muzyki akustycznej bez wokalu również preferowali utwory z pozostałych trzech grup (energetyczne, energetyczne bez wokalu i akustyczne) i otrzymywali dokładniejsze zalecenia od modelu obliczeniowego. W tym samym czasie grupa energicznych słuchaczy muzyki otrzymała od algorytmów najgorsze rekomendacje, mimo że w ich grupie występowała największa różnorodność gatunków muzycznych – hard rock, punk, hardcore, hip-hop i pop-rock.
Elisabeth Lex, współautorka artykułu i profesor nadzwyczajny informatyki stosowanej na Politechnice w Grazu, podkreśla, że algorytmy rekomendacji muzycznych są już „niezbędne” dla użytkowników, którzy chcą przeszukiwać, wybierać i filtrować kolekcje aplikacji muzycznych.
Mimo to zwraca uwagę, że algorytmy mogą nie dawać rekomendacji słuchaczom niekomercyjnej muzyki. „Może to być spowodowane tym, że systemy te są ukierunkowane na bardziej popularną muzykę, co powoduje, że artyści spoza głównego nurtu są mniej słuchani” – zauważa.
Wreszcie autorzy sugerują, że ich odkrycia mogą posłużyć jako podstawa do stworzenia systemów rekomendacji muzycznych, które dostarczają dokładniejszych rekomendacji. Ostrzegają jednak, że ich analiza jest oparta na próbce użytkowników Last.fm, która może być niereprezentatywna dla tej lub innych platform muzycznych.