XV Международная студенческая научная конференция Студенческий научный форум - 2023

Многие цифровые инструменты уже давно находятся в арсенале учителей. Некоторые только начинают борьбу за популярность. Система образования претерпевает серьезные изменения, связанные с ее цифровизацией. В новых условиях меняется роль педагога, требования к его цифровым компетенциям. Все больше и больше востребованы на всех уровнях образования веб-ресурсы и сервисы, инструменты для онлайн-обучения и общения, открытые образовательные ресурсы. Современный мир серьезно отличается наличием разнообразных средств информационно-коммуникационных технологий. Эти средства активно используют наши ученики. Если Вы владеете современными цифровыми инструментами, значит Вы говорите с молодым поколением на одном языке. Такой педагог им интересен и понятен. Современные цифровые инструменты и сервисы, которые может использовать педагог в учебном процессе, предназначены для самых различных целей. Например, для подготовки красочных и наглядных учебно-методических материалов, создания тестов, записи аудио, видео и анимационных роликов, создания графических, музыкальных включений, инфографики, моделирующих программ.

Нас заинтересовало, как работают рекомендательные алгоритмы известных музыкальных сервисов. Анализ данной проблематики проведем на пример сервисов Яндекс.

Одна из ключевых функций Яндекс.Музыки — предлагать пользователям треки, которые они пока не слышали, но могут оценить. Предпочтения можно узнать несколькими способами: от анализа прошлых прослушиваний до сравнения спектрограмм песен. Руководитель группы рекомендательных продуктов Медиасервисов Яндекса Даниил Бурлаков и разработчик Илья Игашов рассказали, каким образом сервис советует новый или редкий контент, у которого пока нет статистики прослушиваний, и что общего у игры в казино и рекомендательных алгоритмов.

Где даются рекомендации?

Рекомендации используются в Яндекс.Радио (для подбора треков и ранжирования радиостанций) и в умных плейлистах Яндекс.Музыки. Например, в «Плейлисте дня». Он задумывался как набор треков, который каждый день строится так, чтобы перемешивать часто прослушиваемые записи с новыми — которые могут понравиться пользователю.

У рекомендательной системы Музыки две основные проблемы: это пользователи, которые только пришли на сервис, и поэтому про них еще ничего не известно, и «холодный» контент — редкие или недавно появившиеся треки, которые мало кто слушал.

Эти проблемы усугубились, когда Яндекс.Музыка стала международным сервисом. Так, при выходе в новые страны важно учитывать локальный контент и рекомендовать его. Но в России редко слушают, например, израильскую музыку, и статистики по ней не хватает.

Как работать с пользователями?

Для того, чтобы рекомендовать треки новым пользователям, Яндекс.Музыка при регистрации просит их выбрать любимые жанры и музыкантов. Затем приложение подстраивает выдачу под то, какие записи человек слушает и как он их оценивает: для этого в Музыке можно ставить лайки и дизлайки. «Пока про пользователя не набралось достаточно данных, рекомендации даются методом проб и ошибок», — говорит разработчик Яндекс.Музыки Илья Игашов. Например, в дашборде (рекомендациях) Радио всем новым пользователям долгое время показывали одинаковые радиостанции — самые популярные среди слушателей.

Как строится прогноз?

Алгоритм анализирует профиль пользователя (то есть данные о его музыкальных предпочтениях) и предсказывает, какие треки и исполнители могут ему понравиться. Кроме того, алгоритм умеет дообучаться в режиме реального времени. Каждый раз, когда вы совершаете новое действие — слушаете трек или добавляете его в плейлист, — профиль обновляется, и прогноз строится заново. Это позволяет быстро подстраиваться под вкусы и предлагать музыку, которая отвечает сегодняшнему настроению.

Делая прогноз, алгоритм также учитывает информацию о том, как связаны друг с другом объекты из каталога Яндекс.Музыки: треки, альбомы, исполнители, жанры. Благодаря этим данным можно советовать человеку новых исполнителей в его любимом жанре. Кроме того, система сравнивает профили всех пользователей Яндекс.Музыки. Это делается для того, чтобы выявить людей со схожими музыкальными предпочтениями: то, что нравится одному, может понравиться и другому.

Как составляются рекомендации?

Обработав данные, алгоритм выдаёт список треков и исполнителей, которые могут понравиться пользователю. Считать его окончательной рекомендацией, однако, нельзя. Во-первых, список слишком длинный — чтобы прослушать все треки, которые система выбрала за раз, не хватит и суток. Во-вторых, мы считаем, что рекомендации должны быть разнообразными: они должны включать в себя не только советы вида «раз вам понравилось X, послушайте Y», но и что-то ещё, что помогло бы сориентироваться в мире музыки — скажем, сообщения о новых релизах любимых исполнителей или чарты треков в жанрах, которые вам нравятся.

Поэтому прогноз, построенный алгоритмом на основе профиля пользователя, мы «разбавляем» информацией из других источников. Это могут быть сведения о том, что слушают друзья из социальных сетей, актуальные подборки — саундтрек к только что вышедшему фильму или сборник композиций, прозвучавших на недавнем музыкальном фестивале, — или списки треков, которые рекомендуют любимые исполнители.

Окончательный список рекомендаций составляется с помощью Матрикснета — разработанного в Яндексе метода машинного обучения. Матрикснет обрабатывает список всех возможных рекомендаций — как полученных прогнозированием, так и составленных по другим источникам — и определяет, какие именно следует показать пользователю на главной странице Яндекс.Музыки и в каком порядке их расположить. Формула, по которой составляется лента рекомендаций, учитывает множество факторов — от сведений о том, сколько раз человек прослушал тот или иной трек, до времени суток: бывает так, что утром нравится одна музыка, а вечером — другая.

Задача рекомендаций в Яндекс.Музыке — помогать людям открывать для себя новую музыку. Новую не значит современную — система может посоветовать вам и треки, выпущенные в этом году, и музыку, написанную в XVIII веке. Главное — это будет музыка, которую вы ещё не слышали, но которая вам, скорее всего, понравится.

Для построения и работы рекомендательных алгоритмов используются методы матричного анализа, графовые алгоритмы, технологии искусственного интеллекта и машинного обучения. Данные вопросы кажутся нам интересными и требуют отдельного изучения.