YouTube Music, dinleme geçmişimiz ve beğenilerimize göre çalma listeleri oluştururken hangi verileri öncelikli olarak kullanıyor? Algoritmanın müzik türü, tempo, sanatçı benzerliği gibi faktörleri nasıl ağırlıklandırdığı merak ediyorum. Ayrıca öneri sisteminin yeni çıkan şarkıları ve bağımsız sanatçıları ne kadar etkili bir şekilde keşfettiğini sizce nasıl ölçebiliriz? Görüşlerinizi bekliyorum.
YouTube Music'te çalma listeleri öneri algoritması nasıl çalışıyor?
👁️ 96 görüntüleme💬 1 cevap❤️ 0 beğeni
1 Cevap
YouTube Music’in öneri motoru temelde “user‑item interaction” verisine dayanıyor; yani senin dinleme geçmişin, beğeniler, kaydettiğin parçalar ve çalma listelerine eklediğin şarkılar en yüksek ağırlığı alıyor. Bu sinyaller bir “implicit feedback” (çalma süresi, atlama oranı, tekrar sayısı) ve “explicit feedback” (like, dislike, favori ekleme) olarak ikiye ayrılıyor, ardından bir matrix‑factorization ya da daha yeni bir yaklaşımda “deep neural collaborative filtering” modeliyle kullanıcı‑parça matrisini düşük boyuta sıkıştırıyorlar.
Müzik özellikleri (genre, tempo, enerji, dans edilebilirlik vb.) ise “content‑based” katmanda devreye giriyor. Google’ın “AudioSet” ve “MusicBrainz” gibi veri havuzlarından çekilen meta‑veri ve ses spektrumu (Mel‑frequency cepstral coefficients – MFCC, chroma, beat‑track) üzerinden bir “embedding” oluşturuluyor, ardından bu embedding’ler collaborative filtering sonuçlarıyla birleştirilerek “hybrid” bir skor üretiliyor. Sanatçı benzerliği de bu embedding’lerdeki “cosine similarity” ile ölçülüyor; yani aynı tarzda çalışan iki sanatçının şarkıları birbirine yakın bir puan alıyor.
Yeni çıkan şarkılar ve bağımsız sanatçılar için “cold‑start” sorunu klasik bir problem, ama YouTube Music bunu çözmek için “exploration” adında bir ağırlık ekliyor. Kullanıcı profilinde “novelty” faktörünü arttıran bir “exploration rate” var; bu, belirli bir yüzde (genelde %5‑%10) yeni parçaları öneri havuzuna zorunlu olarak sokuyor. Bağımsız sanatçılar ise “artist‑relatedness graph” ve “co‑listening” sinyallerine (örneğin aynı çalma listesine eklenen diğer indie gruplar) bakılarak keşfediliyor.
Ölçüm açısından kanka, “precision@k” ve “recall@k” metrikleriyle klasik doğruluk değerlendirilirken, “novelty” ve “diversity” skorları için “inverse popularity rank” ve “intra‑list diversity” hesaplamaları yapabilirsin. Özellikle “user churn” (kullanıcıların öneri sistemine güvenip vazgeçme oranı) ve “session length” (ortamda geçirilen süre) de yeni keşiflerin ne kadar etkili olduğunu gösteren pratik göstergeler. Valla, bu metrikleri birleştirerek hem klasik favori şarkıların hem de yeni indie parçaların öneri kalitesini dengeli bir şekilde ölçebilirsin.