Ты включаешь один трек, потом второй — и через пару дней в рекомендациях уже полно похожей музыки. Ставишь несколько дизлайков — и подборка постепенно меняется. Кажется, будто стриминг неплохо изучил твой вкус.
На самом деле он собирает подсказки из твоих действий: что ты слушаешь до конца, что пропускаешь, сохраняешь и добавляешь в плейлисты. Разберёмся, как из этих сигналов получаются персональные рекомендации, почему в них появляются незнакомые треки и как можно повлиять на свою подборку.
Откуда сервис знает, какая музыка тебе нравится
Прежде чем предложить следующий трек, стриминг может учитывать сразу несколько типов данных:
- Историю прослушиваний — какие треки и каких исполнителей ты включаешь, что дослушиваешь до конца, а что пропускаешь.
- Твои действия — лайки и дизлайки, сохранения, добавления в плейлисты и другие явные реакции на музыку.
- Предпочтения других слушателей — какую музыку выбирают люди, чьи вкусы похожи на твои. Это помогает находить треки, которых ещё нет в твоей истории.
- Информацию о самой музыке — например, жанр, исполнителя и особенности звучания. По этим данным система может искать похожие композиции.
- Контекст прослушивания — например, недавнюю историю, последовательность треков, время суток или тип устройства. Такие данные помогают учитывать не только привычный вкус, но и то, что может быть уместно в конкретной ситуации.
Стриминги могут использовать эти данные по-разному, поэтому за рекомендациями обычно стоит не один алгоритм, а несколько моделей. Одни ищут музыку по поведению похожих слушателей, другие сравнивают сами треки, третьи помогают учитывать твою историю и контекст. Дальше разберём два основных подхода, на которых удобно понять, как из всех этих данных получается персональная подборка.
Как алгоритм находит музыку для рекомендаций
Чтобы решить, какой трек поставить следующим, сервису нужно оценить множество вариантов и выбрать среди них наиболее подходящие. Делать это можно по-разному: например, искать закономерности в том, что слушают разные люди, или сравнивать характеристики самих композиций.
Коллаборативная фильтрация
Представь: у тебя и ещё нескольких пользователей совпадает большая часть любимых исполнителей. Но они часто слушают ещё одну группу, которой нет в твоей истории. Для алгоритма это повод предположить, что её музыка может заинтересовать и тебя. На этом принципе и строится коллаборативная фильтрация.
Конечно, система не ищет каждому слушателю одного музыкального «двойника». Она анализирует данные множества пользователей и находит связи между их предпочтениями. Благодаря этому в твоей подборке может оказаться незнакомый исполнитель, которого часто выбирают люди с похожими вкусами.
Но этому подходу нужны данные о прослушиваниях. Если песня только вышла и её почти никто не включал, алгоритму сложнее понять, кому её предложить. Это называют холодным стартом. Есть и другая сложность — перекос в сторону популярной музыки. У хитов уже много прослушиваний, поэтому алгоритму проще находить связанные с ними закономерности. У малоизвестных треков данных меньше, и они могут реже попадать в рекомендации.
Анализ музыки
Когда данных о прослушиваниях мало, алгоритм может опереться на информацию о самом треке. Например, учитывать жанр, метаданные и характеристики аудиозаписи, а затем сравнивать их с другими композициями. Так новую песню можно сопоставить с уже знакомой сервису музыкой, даже если её пока почти никто не слушает.
Компьютер не воспринимает песню так, как человек, поэтому характеристики трека нужно представить в виде чисел. Например, числами можно описать темп и другие особенности звучания. Из таких значений получается набор — его называют вектором. Сравнивая векторы разных песен, алгоритм может определить, какие треки похожи друг на друга.
Причём сравнивать можно не только звук. Современные модели могут учитывать разные данные о треке — например, метаданные и текстовую информацию — и объединять их, чтобы точнее находить сходства между композициями.
Как сервисы ищут баланс между привычным и новым
Если алгоритм будет предлагать только музыку, похожую на уже знакомую, рекомендации быстро станут однообразными. Но и заполнять их случайными новинками нельзя: они могут совсем не совпасть с твоими вкусами. Поэтому сервисам приходится искать баланс — оставлять в подборке то, что тебе, скорее всего, понравится, и одновременно знакомить с новой музыкой.
Эту задачу отдельно изучают сами стриминги. Например, Spotify исследует, как сочетать в рекомендациях знакомые, похожие и новые треки. Здесь важно не просто добавить песню, которой ещё нет в твоей истории, а понять, насколько она отличается от того, что ты обычно слушаешь.
Это хорошо видно в исследовании на данных Deezer. Алгоритмические рекомендации знакомили людей с незнакомыми треками, но чаще всего эта музыка оставалась близкой к их обычным предпочтениям.
Зачем нужны музыкальные редакторы, если есть алгоритмы
Не все плейлисты в стримингах собирают алгоритмы. Часть подборок составляют музыкальные редакторы: придумывают тему и отбирают под неё треки. Так появляются, например, плейлисты определённого жанра или настроения, подборки к событиям и заметным релизам. Такие редакционные плейлисты есть и у Spotify, и у «Яндекс Музыки».
Алгоритм и редактор при этом решают немного разные задачи. Первый опирается на данные и старается подобрать музыку под конкретного слушателя. Редактор отталкивается от идеи самой подборки: собрать важные новинки недели, познакомить с определённой сценой или показать главные песни исполнителя.
А иногда эти подходы соединяют. Например, в Spotify есть персонализированные редакционные плейлисты: редакторы отбирают музыку, которая подходит для конкретной подборки, а алгоритм решает, какие из этих треков показать конкретному слушателю. Поэтому два человека могут открыть один и тот же плейлист и увидеть разные наборы песен.
Как работают рекомендации в «Яндекс Музыке»
В «Яндекс Музыке» персональные рекомендации собраны прежде всего в «Моей волне». Её можно не только запустить как обычный поток, но и настроить под ситуацию: например, выбрать музыку для тренировки, занятий или определённого настроения. В некоторых сценариях алгоритм учитывает дополнительные параметры. Например, для пробежки можно выбрать лёгкий, средний или интенсивный темп. «Моя волна» подберёт под него музыку с подходящим ритмом, учитывая при этом и твои музыкальные предпочтения.
Есть и контекстные рекомендации, которые меняются в зависимости от того, когда и где включена музыка. «Яндекс» рассказывал, что система может учитывать время суток, день недели и тип устройства. Например, утром с телефона, во время работы за компьютером и вечером на умной колонке «Моя волна» может подбирать музыку по-разному — если история прослушиваний показывает, что в этих ситуациях твои привычки отличаются.
Алгоритм анализирует и сами треки: их жанр, язык, текст, звучание и другие характеристики. А после обновления рекомендательной системы в 2025 году «Моя волна», по данным «Яндекса», стала быстрее реагировать на действия прямо во время прослушивания: если несколько треков подряд не подходят и ты их пропускаешь, дальнейшая подборка может измениться уже в текущем потоке.
Как настроить музыкальные рекомендации под себя
Иногда рекомендации начинают раздражать: попадаются одни и те же исполнители, слишком много похожих треков или музыка просто не в твоём вкусе. В таком случае на подборку можно повлиять. Вот что можно сделать:
- Ставь дизлайк тому, что действительно не нравится. После такой реакции похожая музыка может появляться реже. Это пригодится, если в рекомендациях постоянно встречается исполнитель или стиль, который тебе совсем не подходит.
- Не пропускай треки машинально. В «Яндекс Музыке» пропуск тоже влияет на рекомендации: похожая музыка после него может встречаться реже. Поэтому, если песня просто незнакомая, необязательно переключать её в первые же секунды.
- Используй настройки «Моей волны». Можно выбрать настроение, занятие и другие параметры. Например, включить музыку для тренировки или настроить волну так, чтобы в ней было больше незнакомых треков.
- Пользуйся отдельным аккаунтом. Если родители включают с твоего аккаунта рок, младшие братья или сёстры — песни из мультфильмов, а ты — хип-хоп, всё это попадает в одну историю прослушиваний. В семейной группе у каждого может быть свой аккаунт со своими рекомендациями.
Даже если активно пользоваться всеми этими настройками, идеальной подборки не получится. Рекомендации строятся на данных и закономерностях, а музыкальный вкус куда сложнее: сегодня хочется слушать одно, завтра — совсем другое.
Главное
- Стриминг не знает твой вкус наверняка — он постоянно его уточняет по тому, что и как ты слушаешь.
- Похожую музыку находят не одним способом: сервис может смотреть на вкусы других людей или сравнивать сами треки.
- Новая песня — сложный случай: у неё ещё нет большой истории прослушиваний, поэтому алгоритму приходится искать другие подсказки.
- Рекомендации не должны бесконечно ходить по кругу. Поэтому сервисы ищут баланс между привычным и новым.
- На свою подборку можно влиять: лайки, дизлайки и даже пропуски помогают сервису понять, что предлагать дальше.
