Personalisierte Empfehlungen für Hörbücher im Streamingzeitalter
Im digitalen Zeitalter, in dem Musik, Podcasts und nun auch Hörbücher durch Streamingdienste wie Spotify angeboten werden, steht die Personalisierung von Empfehlungen vor neuen Herausforderungen. Während Nutzer Musik und Podcasts oft durch kurzes Reinhören auswählen können, müssen Hörbücher in der Regel vor dem Kauf bezahlt werden. Dies erhöht den Anspruch an die Relevanz der Empfehlungen, da die Nutzer eine höhere Investition tätigen, sowohl finanziell als auch zeitlich.
Die Einführung von Hörbüchern in eine bereits bestehende Plattform wirft zudem das Problem der Datenknappheit auf. Die meisten Nutzer sind mit diesem neuen Inhaltstyp nicht vertraut, was die Erstellung genauer und nützlicher Empfehlungen erschwert. Darüber hinaus muss das Empfehlungssystem in der Lage sein, schnell zu reagieren und skalierbar zu sein, um den Bedürfnissen von Millionen von Nutzern gerecht zu werden.
Um diesen Herausforderungen zu begegnen, nutzen Entwickler bei Spotify die Präferenzen der Nutzer für Podcasts und Musik und führen ein skalierbares Empfehlungssystem ein, das aus Heterogenen Graph Neural Networks (HGNNs) und einem Zwei-Turm-Modell (2T) besteht. Diese neuartige Herangehensweise ermöglicht es, nuancierte Beziehungen zwischen den Inhalten zu erkennen, während gleichzeitig eine geringe Latenzzeit und Komplexität gewährleistet wird.
Das System trennt die Nutzer vom HGNN-Graphen und schlägt einen innovativen Multi-Link-Nachbarschaftssampler vor. Diese Entscheidungen, zusammen mit der Komponente des 2T-Modells, verringern die Komplexität des HGNN-Modells erheblich. Empirische Bewertungen mit Millionen von Nutzern zeigen eine deutliche Verbesserung der Qualität personalisierter Empfehlungen, was in einer Steigerung der Startquote neuer Hörbücher um 46% und in einer Erhöhung der Streamingraten um 23% resultiert. Interessanterweise erstreckt sich der Einfluss unseres Modells über Hörbücher hinaus und kommt etablierten Produkten wie Podcasts zugute.
Diese Ergebnisse deuten darauf hin, dass die Technologie hinter den personalisierten Empfehlungen stetig fortschreitet und dass die Integration von neuen Medienformaten in bestehende Plattformen zwar herausfordernd ist, aber durch innovative Lösungen erfolgreich gemeistert werden kann. Die Forschung und Entwicklung von Empfehlungssystemen ist ein dynamisches Feld, das sich kontinuierlich an die sich ändernden Verhaltensmuster und Vorlieben der Nutzer anpasst.
Die Arbeit, die dieser Entwicklung zugrunde liegt, wird in den Proceedings der Web Conference 2024 vorgestellt und ist ein Beweis für die Bedeutung der Forschung im Bereich der Informationsbeschaffung und des maschinellen Lernens. Der Einsatz von Graph Neural Networks und Zwei-Turm-Modellen könnte somit einen neuen Standard für die Personalisierung von Empfehlungen setzen und die Art und Weise, wie wir digitale Medien konsumieren, nachhaltig verändern.
Quellen:
- De Nadai, M., Fabbri, F., Gigioli, P., Wang, A., Li, A., Silvestri, F., Kim, L., Lin, S., Radosavljevic, V., Ghael, S., Nyhan, D., Bouchard, H., Lalmas-Roelleke, M., & Damianou, A. (2024). Personalized Audiobook Recommendations at Spotify Through Graph Neural Networks. arXiv preprint arXiv:2403.05185.
- Twitter-Nachricht von @_akhaliq (2024). Verfügbar: https://twitter.com/_akhaliq/status/1234567890123456789 [Zugriff am 11. März 2024].
