![\"\"](\"https:\/\/www.spotifyshare.com\/wp-content\/uploads\/2022\/12\/0f12132d-7649-4e8e-9da1-cd15eba4a42a_1923x1490-1024x793.jpg\")
<\/figure>\n\n\n\nMas voc\u00ea j\u00e1 se perguntou como? <\/p>\n\n\n\n
Quero dizer, voc\u00ea provavelmente j\u00e1 deve ter, porque \u00e9 por isso que voc\u00ea clicou neste post. <\/p>\n\n\n\n
Veja como o sistema de recomenda\u00e7\u00e3o do Spotify \u00e9 composto por tr\u00eas algoritmos diferentes, o que o torna tr\u00eas vezes melhor do que um algoritmo por causa da matem\u00e1tica. <\/p>\n\n\n\n
Filtragem colaborativa<\/h4>\n\n\n\n
O primeiro desses tr\u00eas na verdade n\u00e3o tem nada a ver com a m\u00fasica em si e \u00e9 chamado de filtragem colaborativa<\/strong>. \u00c9 basicamente assim que a Netflix recomenda novos programas, escrevendo um contrato de licen\u00e7a de usu\u00e1rio final de 6.000 palavras que lhes d\u00e1 permiss\u00e3o para gravar tudo o que voc\u00ea faz at\u00e9 morrer ou jogar seu telefone em um vulc\u00e3o.<\/p>\n\n\n\n Localizado na sala Matrix gigante do Spotify, eles armazenaram uma matriz gigante. S\u00e3o aproximadamente 433 milh\u00f5es de linhas por 80 milh\u00f5es de colunas indexando cada usu\u00e1rio e cada m\u00fasica na plataforma e registrando a frequ\u00eancia com que cada pessoa ouve cada m\u00fasica. Isso est\u00e1 simplificando um pouco as coisas, mas essa matriz permite que eles determinem objetivamente quais usu\u00e1rios s\u00e3o mais semelhantes. <\/p>\n\n\n\n Se uma linha estiver atingindo todas as mesmas colunas que outra linha, isso significa que essas duas pessoas est\u00e3o ouvindo as mesmas m\u00fasicas. E se uma dessas linhas tiver uma coluna ativa que a outra n\u00e3o tiver, essa m\u00fasica teoricamente seria boa para recomendar. <\/p>\n\n\n\n Basicamente, o que estou dizendo \u00e9 que, se voc\u00ea quiser arruinar o Spotify de uma pessoa espec\u00edfica, tudo o que precisa fazer \u00e9 criar uma nova conta, ouvir todas as m\u00fasicas favoritas e ouvir os efeitos sonoros da sirene do tornado por m\u00fasicas e efeitos sonoros isentos de royalties f\u00e1bricas setenta mil vezes <\/p>\n\n\n\n Agora, o Spotify n\u00e3o pode confiar inteiramente na filtragem colaborativa. N\u00e3o \u00e9 muito preciso, especialmente quando se trata dos gostos musicais multifacetados das pessoas e tende a promover apenas m\u00fasicas populares em geral enquanto grava coisas que n\u00e3o t\u00eam muitos dados de audi\u00e7\u00e3o para trabalhar, como o mesmo do antigo Jamboree de Wendover banda, mesmo que sua m\u00fasica seja fogo quente. <\/p>\n\n\n\n \u00c9 a\u00ed que entra o pr\u00f3ximo algoritmo, o sistema de processamento de linguagem natural do Spotify. <\/p>\n\n\n\n Veja bem, uma das melhores maneiras de categorizar m\u00fasicas \u00e9 com palavras e acontece que a internet tem um monte delas. <\/p>\n\n\n\n O Spotify est\u00e1 constantemente coletando textos associados \u00e0s suas m\u00fasicas. Ele examinar\u00e1 o texto em sua pr\u00f3pria plataforma, como t\u00edtulos de m\u00fasicas, descri\u00e7\u00f5es de listas de reprodu\u00e7\u00e3o e letras, mas tamb\u00e9m extrair\u00e1 dados do restante da Internet. <\/p>\n\n\n\n O Spotify coleta resenhas de m\u00fasicas, artigos de not\u00edcias, se\u00e7\u00f5es de coment\u00e1rios, voc\u00ea escolhe e tudo isso \u00e9 usado para criar um banco de palavras associado para cada m\u00fasica e artista em sua plataforma. <\/p>\n\n\n\n Aqui est\u00e1 uma dessas tabelas geradas pela Echo Nest<\/strong>, a empresa de dados musicais que o Spotify comprou em 2014 para a frase Abba.<\/p>\n\n\n\n Como voc\u00ea pode ver, tem as frases nominais mais comumente associadas ao Abba, bem como os adjetivos mais comumente usados ao descrever o Abba. <\/p>\n\n\n\n Usando esta tabela, voc\u00ea pode descobrir que os f\u00e3s do ABBA provavelmente gostar\u00e3o de outras coisas que s\u00e3o freq\u00fcentemente descritas como alegres n\u00e3o violentas e suecas, como Greta tunberg ou tubar\u00e3o de pel\u00facia IKEA que tem seu pr\u00f3prio subreddit por algum motivo. <\/p>\n\n\n\n Mas neste ponto voc\u00ea provavelmente j\u00e1 notou algo estranho. Todos esses dados que um Spotify est\u00e1 usando, os adjetivos, os t\u00edtulos das m\u00fasicas, as frequ\u00eancias de escuta, nada disso \u00e9 obtido da m\u00fasica em si. <\/p>\n\n\n\n Ent\u00e3o isso levanta a quest\u00e3o. O Spotify pode realmente ouvir sua pr\u00f3pria m\u00fasica?<\/strong> E a resposta curiosamente \u00e9 sim<\/strong>.<\/p>\n\n\n\n \u00c9 aqui que entra nosso terceiro algoritmo. <\/p>\n\n\n\n Veja como eles funcionam:<\/p>\n\n\n\n Para cada m\u00fasica da plataforma, o Spotify gera algo chamado representa\u00e7\u00e3o de frequ\u00eancia de tempo que se parece com isso. <\/p>\n\n\n\n Este eixo \u00e9 o tempo que acessa a frequ\u00eancia e as cores mais quentes significam n\u00edveis de decib\u00e9is mais altos. Ent\u00e3o, por exemplo, exatamente aos 12 segundos dessa m\u00fasica, essas s\u00e3o as frequ\u00eancias que est\u00e3o mais presentes. <\/p>\n\n\n\n Essa representa\u00e7\u00e3o \u00e9 ent\u00e3o despejada em uma rede neural. A rede neural isola todos os principais recursos da m\u00fasica, coisas como Ki, Tempo, Timber, volume e f\u00f3rmula de compasso e compara essas qualidades individualmente com outras m\u00fasicas que voc\u00ea gosta e outras que ainda n\u00e3o ouviu. <\/p>\n\n\n\n Em seguida, em conjunto com o sistema de filtragem colaborativa e o algoritmo de processamento de linguagem natural, esses perfis do Sonic s\u00e3o usados para aprimorar com precis\u00e3o as m\u00fasicas que s\u00e3o acusticamente semelhantes ao tipo de m\u00fasica que voc\u00ea j\u00e1 ouve, ao mesmo tempo em que experimenta uma ou duas vari\u00e1veis para evitar a apresenta\u00e7\u00e3o voc\u00ea com qualquer coisa muito velha. <\/p>\n\n\n\n E a\u00ed est\u00e1, \u00e9 assim que gastar 11 bilh\u00f5es de d\u00f3lares por ano convencendo as pessoas a n\u00e3o apenas ouvir as mesmas tr\u00eas m\u00fasicas de Taylor Swift na leitura pelo resto de suas vidas. <\/p>\n\n\n\n Agora, h\u00e1 uma grande variedade de sites para visualizar as estat\u00edsticas do Spotify<\/a><\/strong> na Internet e o famoso Spotify Wrapped<\/a><\/strong> tamb\u00e9m \u00e9 baseado nos dados coletados por esses sistemas.<\/p>\n","protected":false},"excerpt":{"rendered":" No momento em que escrevo este post, o Spotify categorizou 5987 g\u00eaneros musicais distintos. Um n\u00famero que quase certamente aumentou no momento em que voc\u00ea est\u00e1 lendo isso agora, a menos que voc\u00ea possa citar todos os quase 6.000 deles. H\u00e1 uma boa chance de voc\u00ea ser f\u00e3 de um g\u00eanero do qual nunca ouviu […]<\/p>\n","protected":false},"author":1,"featured_media":4928,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[141],"tags":[],"class_list":["post-4986","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-conhecimento"],"yoast_head":"\n![\"\"](\"https:\/\/www.spotifyshare.com\/wp-content\/uploads\/2022\/12\/%E5%BE%AE%E4%BF%A1%E6%88%AA%E5%9B%BE_20221230173104-1024x576.png\")
<\/figure>\n\n\n\nSistema de processamento de linguagem natural <\/h4>\n\n\n\n
![\"\"](\"https:\/\/www.spotifyshare.com\/wp-content\/uploads\/2022\/12\/%E5%BE%AE%E4%BF%A1%E6%88%AA%E5%9B%BE_20221230173224-1024x576.png\")
<\/figure>\n\n\n\nPerfis do Spotify Sonic <\/h4>\n\n\n\n
![\"\"](\"https:\/\/www.spotifyshare.com\/wp-content\/uploads\/2022\/12\/%E5%BE%AE%E4%BF%A1%E6%88%AA%E5%9B%BE_20221230173414-1024x576.png\")
<\/figure>\n\n\n\n