Kişiselleştirilmiş müzik önerisi: fizy'de Haftalık Keşif Listesi nasıl hazırlanıyor?
Sevdiğin şarkıları nasıl keşfettiğini hatırlar mısın? Bir arkadaşının arabasında çalmıştır, belki sevdiğin bir dizinin jeneriğinden kulağına takılmıştır, ya da radyoda tam ortasından yakalamışsındır. Kısacası müzik keşiflerimizi çoğu zaman planlayarak değil, güzel bir tesadüfe yakalanarak yaparız.
fizy'de yayına aldığımız Haftalık Keşif Listen, bu tesadüfleri dinleme alışkanlıklarına dayanan akıllı önerilere dönüştürmek için hazırlandı. Boğaziçi Üniversitesi ile birlikte yürüttüğümüz bir AR-GE çalışması olarak başlayan bu proje, bugün fizy'de Haftalık Mixlerim altında yer alıyor. Her hafta, son dinlediklerinden yola çıkarak yalnızca senin için hazırlanan ve daha önce dinlemediğin şarkılardan oluşan bir çalma listesi.
Bu yazıda listeyi hazırlarken hangi yöntemlerden yola çıktığımızı, nerede yanıldığımızı ve bugünkü yapıya nasıl karar verdiğimizi anlatacağım.
Haftalık Keşif Listen, uygulamada Haftalık Mixlerim alanında yer alıyor.
Müziğe ulaşmak kolaylaştı, keşfetmek zorlaştı
Otuz kırk yıl önce yeni bir albüm, uzun süre beklenen bir olaydı. Plak eve gelir, iğne özenle yerleştirilir, aynı şarkılar haftalarca dinlenirdi. Sevilen bir grubun kasetini, CD'sini almak için harçlık biriktirmek birçoğumuzun ortak anısıdır. Seçenek azdı, ama her biri çok değerliydi.
Bugün bu tablo tersine döndü. Müzik hiç bu kadar çok üretilmedi ve bu kadar kolay ulaşılabilir olmadı. Bugün cebimizde milyonlarca şarkı var ve artık sorunumuz müziğe ulaşmak değil bu devasa bolluğun içinde kendi zevkine uygun olanı bulabilmek.
Eskiden bu boşluğu insanlar doldururdu. Plakçı, müdavimine yeni gelen bir albümü ayırır; radyo programcısı dinleyicisini tanıyarak çalma listesini hazırlar; bir arkadaş, zevkini bildiği için sana özenle bir kaset doldururdu. Hepsinin ortak noktası, öneriyi yapanın karşısındakini tanımasıydı. Bugün aynı özeni milyonlarca dinleyiciye aynı anda göstermek gerekiyor ve bu artık tek tek insanların yapabileceği bir iş değil.
Herkese aynı liste değil, herkese kendi listesi
Müzik platformlarında keşif uzun süre herkese aynı şekilde sunulan listelerle yapıldı: haftanın en çok dinlenenleri, yeni çıkanlar, belirli bir tür ya da ruh hali için hazırlanmış seçkiler. Bu listeler hâlâ çok değerli, ama aynı listeyi milyonlarca kişi görüyor.
Kişiselleştirilmiş müzikte başlangıç noktası katalog değil, dinleyicinin kendisidir. Üstelik müzikte kişiselleştirme, film veya kitaba göre çok daha zordur. Bir filmi genelde bir kez izlersiniz; ama 3 dakikalık bir şarkıyı yüzlerce kez dinleyebilirsiniz. İyi bir öneri sistemi, tek bir doğru şarkıyı bulmakla yetinmez; birbiriyle uyumlu, akışı bozmayan ve dinleyiciye "Beni anlıyor" dedirten bir deneyim inşa eder.
Öneri sistemlerinin iki temel yaklaşımı
Öneri sistemlerinin büyük bölümü iki temel yaklaşımdan beslenir.
İşbirlikçi filtreleme (collaborative filtering), benzer zevkteki insanların davranışından yola çıkar. Seninle aynı şarkıları dinleyen kişiler senin henüz duymadığın bir şarkıyı da seviyorsa, o şarkının sana da hitap etme ihtimali yüksektir. Bu yöntem şarkının kendisiyle ilgilenmez; kimin, neyi, ne sıklıkla dinlediğine bakar. Güçlü yanı, insan zevkinin tarif etmesi zor inceliklerini yakalayabilmesidir. Zayıf yanı ise yeni çıkan ya da az dinlenen şarkılarda elinde yeterli veri olmamasıdır.
İçerik tabanlı filtreleme (content-based filtering) ise doğrudan şarkıya bakar: türüne, temposuna, enstrümanlarına, sesin genel karakterine. Sevdiğin şarkılara içerik olarak benzeyen şarkıları öne çıkarır. Henüz kimsenin dinlemediği bir şarkıyı bile önerebilir, ama kulağa benzeyen her şarkının aynı dinleyiciye hitap edeceğini varsaymak gibi bir riski vardır.
Bugün büyük müzik platformlarının çoğu bu iki yaklaşımı ayrı ayrı değil, birlikte kullanıyor. Dinleme davranışı ile sesin kendisi birbirinin eksiğini tamamlıyor. Bizim yolculuğumuz da bu iki ucun arasında geçti.
İlk adım: Şarkıyı tanımak
Projeye başlarken kendimize sorduğumuz soru basitti: Bir hafta boyunca uygulamamızda dinleme yapmış kullanıcımıza, keşfetmesi için hangi şarkıyı önermeliyiz?
Dinleyicilerimizi tanıyorduk; kimin ne dinlediği elimizdeydi. Eksik olan, şarkıları da aynı derinlikte tanımaktı. Bir dinleyicinin dinlediği şarkılarda neyi sevdiğini anlamadan ona doğru öneriyi bulamazdık. Gitarın tonu mu, ritmin enerjisi mi, yoksa vokalin taşıdığı duygu mu?
Bu yüzden ilk iş olarak şarkılarımızı analiz etmeye odaklandık. Bunun için müzik üzerine eğitilmiş açık kaynak bir yapay zekâ modeli olan MERT'i kullandık. MERT bir ses dosyasını dinliyor ve onu, şarkının karakterini özetleyen uzun bir sayı dizisine dönüştürüyor. Teknik literatürde buna embedding deniyor; şarkının dijital parmak izi demek de yanlış olmaz.
Burada önemli bir tercih yaptık. Bir şarkıyı tarif ederken genellikle tür, tempo, sanatçı gibi etiketlere başvururuz. Biz etiketlerden başlamak yerine doğrudan sesin kendisinden yola çıktık. İyi bir parmak izi bu bilgilerin hepsini zaten içinde taşır; şarkının türü de temposu da o sayıların arasında bir yerde saklıdır.
fizy'de en çok dinlenen milyonlarca şarkıyı bu şekilde analiz ettiğimizde elimizde bir tür müzik haritası oluştu. Her şarkı bu haritada bir nokta, birbirine benzeyen şarkılar ise birbirine yakın duruyordu. Bir şarkıya en yakın nokta, ona sesçe en çok benzeyen şarkı demekti.
İlk bakışta sonuçlar son derece umut vericiydi. Sevdiğin bir şarkıya gitar tonu, ses aralığı ve ritmiyle neredeyse ikizi olan bir şarkı önerebiliyorduk.
Benzer ses her zaman aynı dinleyici demek değil
Sonuçları dinleyici gözüyle incelediğimizde bir sorunla karşılaştık. Karadeniz türküsü dinleyen birine Gürcü halk müziği öneriyorduk. Anadolu rock dinleyen birinin listesine, haritada en yakına düşen yabancı rock şarkıları giriyordu. Ses benzerliği yakalanmıştı, ama dil, kültür ve dinleme alışkanlığı denklemin dışında kalmıştı.
Model teknik olarak haklıydı; bu şarkılar sesçe gerçekten birbirine çok yakındı. Hatta belki de dinleyici bu önerileri açıp dinlese beğenirdi fakat bizim hedefimiz bu değildi. Amacımız fizy dinleyicisine, onun gerçekten benimseyeceği öneriyi yapmaktı. Bir şarkıyı sevmemizin arkasında ses kadar o şarkının dili, ait olduğu kültür ve onu hangi şarkılarla birlikte dinlediğimiz de var. Yalnızca sese bakan bir model bunları göremiyor, bu yüzden ses benzerliği haritasında yan yana duran iki şarkı her zaman aynı kişiye hitap etmiyordu.
Etiketlerle ince ayar
İlk çözüm denememiz şarkılara etiket eklemek oldu. Aynı parmak izinden yola çıkarak her şarkının türünü, ruh halini (mood) ve içinde öne çıkan enstrümanları tahmin eden ayrı modeller geliştirdik. Böylece sesin genel izinin yanında, bir şarkıyı “hüzünlü, akustik gitarlı bir halk ezgisi” diye tarif edebilen bilgilere de sahip olduk.
Bu etiketler bize deney yapma imkânı verdi. Benzerliğin yarısını sesten, yarısını türden almak ya da türü uyuşan ama temposu tutmayan şarkıları biraz geriye itmek gibi pek çok kombinasyonu denedik. Şarkılar artık daha anlamlı gruplar halinde bir araya geliyordu.
Yine de temel bir soru cevapsız kalıyordu: Hangi ağırlık doğruydu? Dinleyici bu önerileri gerçekten beğenecek miydi ve biz bunu nasıl ölçecektik?
Dinleyicinin kendi seçimleri: Çalma listeleri
Cevabı yine kendi verimizde bulduk: fizy dinleyicilerinin oluşturduğu çalma listeleri.
Bir çalma listesi hazırlarken hangi şarkının hangisinin yanına yakıştığına dinleyicinin kendisi karar verir. Yol listesi, spor listesi, hafta sonu kahvaltısı için seçilmiş şarkılar. Dinleyicilerimiz bu kararları zaten binlerce kez vermişti. Elimizde, hangi şarkıların aynı zevke hitap ettiğini insanların kendi eliyle işaretlediği çok değerli bir kaynak vardı.
Müzik haritamızı bu listelerden öğrenerek yeniden kurduk. Artık şarkılar yalnızca sesçe benzerliklerine göre değil, fizy listelerinde ne sıklıkla yan yana yer aldıklarına göre de birbirine yaklaşıyor ya da uzaklaşıyordu. Tür, ruh hali ve enstrüman bilgisi de bu yapının içine katıldı. Sonuçta her şarkı için ses, etiket ve dinleyici tercihini bir arada taşıyan, 256‘lık vektörlerden oluşan tek bir parmak izi elde ettik.
Çalma listeleri bize bir de ölçüm zemini kazandırdı. Dinleyicilerin gerçekten bir araya getirdiği şarkıları modelin de birbirine yakın bulup bulmadığına bakarak farklı denemeleri karşılaştırabildik. Tahmin yürütmek yerine ölçerek karar vermeye başladık. Örneğimize dönersek, bir Karadeniz türküsünün en yakın komşuları artık başka bir ülkenin halk müziği değil, fizy dinleyicilerinin o türküyle aynı listeye koyduğu horonlar ve Karadeniz şarkılarıydı.
Yalnızca sese bakıldığında en yakın komşu kulağa benzeyen şarkı oluyor fakat bu şarkılar kalbe uzak olabiliyor. fizy listeleri işin içine girince komşular, dinleyicinin gerçekten yan yana koyduğu şarkılara dönüşüyor.
Haftalık Keşif Listen nasıl oluşuyor?
Şarkıları tanımak denklemin bir tarafıydı. Diğer tarafta dinleyiciyi aynı haritaya yerleştirmek vardı.
Liste iki aşamada hazırlanıyor: Önce şarkılar tanınıyor, ardından her hafta her dinleyici için ayrı bir liste oluşturuluyor.
Bunun için son bir ayda en çok dinlediğin şarkıları alıyor ve bu şarkıların haritadaki konumlarının ortalamasını çıkarıyoruz. Bu ortalama, haritadaki senin noktan oluyor. Daha sık dinlediğin şarkılar bu noktayı kendine doğru daha fazla çekiyor, ancak bu etkiyi bilinçli olarak sınırlıyoruz. Bir şarkıyı bir hafta boyunca iki yüz kez dinlemiş olman, geri kalan dinlemelerini önemsiz kılmamalı.
Ardından haritada bu noktaya en yakın ve henüz dinlemediğin 1000 şarkıyı buluyoruz. Bu adaylar arasından en güçlü 100'ünü seçerken benzerliğin yanına küçük bir popülerlik payı ekliyoruz.
Popülerlik payı, bir şarkının fizy'de ne kadar dinlendiğini sıralamaya hafifçe yansıtıyor. Zevkine aynı ölçüde yakın iki şarkıdan daha çok dinlenen, listede bir adım öne geçiyor. Bu payın ağırlığı ayarlanabilir; böylece keşif ile tanıdıklık arasındaki dengeyi sistemi değiştirmeden ince ayarlayabiliyoruz.
Bu payın arkasında ilk geri bildirimlerde gördüğümüz bir davranış var. Tamamen tanınmayan isimlerden oluşan bir liste, içindeki şarkılar beğenilse bile ilk anda güvensizlik yaratabiliyordu. Dinleyici bir şarkıyı dinlemeye karar vermeden, listede ilk gördüğünde “bu kim, benim listemde ne arıyor?” diye tepki verebiliyordu. Keşif ne kadar değerliyse, arada tanıdık bir ismin listeye kattığı güven de o kadar önemliydi. Popülerliği bu yüzden hesaba katıyoruz; ama benzerliğin önüne geçmeyecek, yalnızca dengeleyecek kadar.
1000 adaydan en fazla 25 şarkıya: Kısa liste sırayla taranıyor, kurallara uymayan şarkılar atlanıyor.
Listeyi şekillendiren kurallar
Benzerlik tek başına iyi bir çalma listesi oluşturmaz. 100 şarkılık kısa liste sırayla taranıyor ve yalnızca şu kurallara uyan şarkılar listeye alınıyor:
- Daha önce dinlediğin şarkılar listeye girmiyor. Bu bir keşif listesi; amacı sana yeni şarkılar tanıtmak.
- Bir sanatçıdan en fazla 3, bir albümden en fazla 2 şarkı yer alabiliyor. En sevdiğin sanatçı bile listenin tamamını kaplamamalı.
- Liste 25 şarkıya ulaştığında tamamlanıyor.
- 20 şarkıya ulaşamayan bir liste o hafta yayınlanmıyor. Eksik bir listeyi hiç göstermemeyi tercih ediyoruz.
Liste her hafta pazartesi günü yenileniyor ve son bir ayda fizy'de en az 5 farklı şarkı dinleyen herkes için hazırlanıyor. Bugün bu koşulu karşılayan binlerce dinleyicimiz her hafta kendine özel bir liste alıyor.
Kullanıcılarımıza sunmadan önce çözdüğümüz iki sorun
Listeleri yayına almadan önce incelerken, bir listede aynı şarkıyı üç kez gördük: orijinal kaydıyla, bir remaster versiyonuyla ve bir canlı performans kaydıyla. Katalogda bunlar ayrı kayıtlar olarak duruyor ve her birinin kendi kimliği var. Sistem için üç farklı şarkıydılar; dinleyici için ise aynı şarkının üç kez tekrarı. Bu yüzden karşılaştırmadan önce adları temizliyoruz. Parantez içindeki notlar siliniyor, yazım farkları eşitleniyor; tireden sonra gelen ek ise yalnızca remaster, live ya da remix gibi bilinen bir versiyon ifadesi ise kaldırılıyor.
Liste kurulurken şarkının kayıt kimliğine değil, temizlenmiş adına bakılıyor.
Her hafta yeni liste
Dinleme alışkanlıkların bir haftadan diğerine çok değişmediğinde haritadaki nokta da yerinde kalıyor, haliyle önerdiğimiz liste de büyük ölçüde aynı çıkıyordu. Bu yüzden yeni listeyi hazırlarken bir önceki haftanın listesini de dikkate alıyor ve oradan devreden şarkı sayısını sınırlıyoruz.
Öneriyi kişisel kılan ayrıntılar
Bu projede öğrendiğimiz en önemli şey, bir öneri sisteminde verinin ve modelin hikâyenin yalnızca bir bölümü olduğu. Bir dinleyiciye “bu liste gerçekten bana göre” dedirten şey, modelin etrafında verilen küçük ama bilinçli kararlar: aynı şarkıyı iki kez önermemek, keşfin arasına tanıdık bir isim serpiştirmek, her hafta gerçekten yeni bir şey sunmak ve eksik bir listeyi hiç göstermemek. Bu kararların hiçbiri teoriden gelmedi. Hepsi dinleyicilerimizin tercihlerini ve alışkanlıklarını anlamaya çalışırken ortaya çıktı.
Çalışmalarımız sürüyor. Liste kalitesini daha iyi ölçmek, farklı yazılmış ama aslında aynı olan şarkıları daha isabetli yakalamak ve modeli dinleyici geri bildirimleriyle geliştirmek önümüzdeki adımlar arasında.
Tamamen fizy dinlemelerinden beslenen Haftalık Keşif Listen, fizy'de Haftalık Mixlerim alanında seni bekliyor. Henüz görmediysen 5 farklı şarkı dinlemen yeterli; bir sonraki haftalık güncellemede listen sana özel olarak hazırlanacak.




