ВКонтакте считается одним из важных поставщиков целевой аудитории для российских музыкантов, творческих коллективов. Раскрутка на данной платформе помогает получать существенные доходы, способствует узнаваемости, приглашению на гастроли по крупным городам страны. Сегодня рекомендуется для прослушивания плейлиста ВК пользоваться полной версией интернетовского портала, в которую внедрён проигрыватель, обладающий богатой функциональностью.
Нюансы работы счётчика проигрывания
Исполнители мелодий не без основания озадачены показаниями, отдельно отображаемыми для альбомов и треков. Ведь значения считаются по особому алгоритму, известному исключительно разработчикам социальной сети. Можно лишь с уверенностью утверждать о его условности.
Следует отметить, что действия автора по прослушиванию никак не учитываются. По этой причине в расчётах участвуют только остальные пользователи VK. Им достаточно несколько секунд слушать выбранную композицию, чтобы рассматриваемая величина увеличилась на единицу. Однако многократное возвращение к определённому треку в течение одного часа к статистике добавляет только +1.
БЕСПЛАТНЫЙ СПОСОБ КАК НАБРАТЬ ПРОСЛУШИВАНИЯ В ПЛЕЙ ЛИСТЕ ВК
Необходимость накручивания счётчика
После релиза авторам хочется поскорее стать популярными. Сложность реализации их мечты заключается в отсутствии интереса у большинства посетителей к неизвестным исполнителям. Чтобы быстро выйти из тупика, требуется заметно накрутить показатель прослушиваний. Когда он достигает критического значения, тогда активизируются завсегдатаи, которые не только слушают, но и рекомендуют своим сообществам понравившиеся мелодии.
Способы продвижения прослушиваний
Поскольку под термином накрутки скрывается неестественное изменение статистики, то все методики сводятся к всесторонней активности самого исполнителя.
- Автор вправе попросить знакомых выполнить выгодные для него действия. Важно обладать красноречием, даром убеждения.
- Если имеется готовность сделать крупные капиталовложения в собственное раскручивание, то необходимо ориентироваться на раздачу подарков, рекламирование.
- При ограниченном размере инвестиций в своё будущее лучше предпочесть специализированные сервисы. Их услуги обходятся недорого. Они позволяют подобрать наиболее приемлемую скорость нарастания числа слушателей.
Вне зависимости от выбранной технологии популяризации важна качественность музыки. Иначе любые потуги окажутся безрезультатными.
Источник: list-name.ru
Накрутка прослушиваний плейлиста ВК: бесплатный сыр или реальность?
Поговорим про накрутку прослушиваний плейлиста ВК? Речь идет о счетчике, который сопровождает каждую аудиозапись, фиксирующий, сколько уникальных пользователей ВК ее прослушали.
Для чего нужна накрутка и кому может понадобиться?
- При грамотном подходе – это эффективный инструмент продвижения страницы, отдельного исполнителя или нового музыкального произведения;
- Накрутка прослушиваний позволяет увеличить популярность музыканта;
- Это действенный способ привлечения целевой аудитории в паблик;
- Накрутка, выполненная качественным образом, позволяет обойти конкурентов и продвинуть в ВК любой бизнес, не только в сфере музыки.
Если говорить доступным языком, 95% пользователей ВК слушают на ресурсе музыку. Ищут здесь новые треки, формируют плейлисты по предпочтениям, делятся интересными исполнителями и композициями. Паблики, которые регулярно выкладывают оригинальные, современные и модные треки, всегда имеют много подписчиков, успешно развиваются, наращивают популярность.
КАК НАКРУТИТЬ ПРОСЛУШИВАНИЯ НА ПЛЕЙЛИСТ В ВКОНТАКТЕ | VKFLEX
Суть и важность накрутки плейлистов в ВК можно выразить одной фразой: чем больше людей слушают ваши треки, тем большей популярностью пользуется ваша площадка.
Большинство заинтересованных пользователей понимают это, поэтому их интересует, как в ВК накрутить прослушивания плейлиста, бесплатно и платно. Именно об этом мы и поговорим в настоящей статье.
Способы накрутить прослушивания в ВК
Как вы понимаете, накрутка прослушиваний плейлиста ВК выполняется бесплатно и платно. Начнем с первого.
Ручной метод
- За прослушивание засчитывается каждый запуск трека плейлиста, при этом, действия самого автора не считаются;
- В среднем, достаточно прослушать 5-7 секунд, чтобы прослушивание засчиталось;
- Можно включать одну и ту же песню много раз, при этом, запуски будут суммироваться. Но следует не забывать обновлять страницу перед каждым стартом проигрывания;
Ручной способ предполагает, что пользователь попросит друзей и знакомых перейти к нему в профиль и прослушать его плейлист столько раз, на сколько их хватит. Можно разместить призыв на стене, разослать в личных сообщениях, оставить послание в специальных группах по взаимной накрутке.
Если вас интересует, как самому накрутить прослушивания плейлиста в ВК – это то, что вам нужно. Этот способ считается «белым» или «официальным». За него вам ничего не будет, поскольку тут все честно. Уникальные пользователи слушают плейлист, счетчик крутится, согласно правилам. Минус метода – его долгосрочность.
Можно создавать целые альбомы и поменять обложки на плейлистах на крайне привлекательные, а потом очень долго ждать, когда треки попадут в рейтинги, а потому, для эффективного продвижения люди часто прибегают к «серым» способам.
Программные методы
Они подразумевают обращение к платным сервисам, установку специальных программ, накрутку прослушиваний плейлиста в ВК через специальные расширения в браузере.
Как правило, эти способы не бесплатные. Стоимость услуг зависит от тонкости исполнения.
Грубые сервисы, которые бездумно накручивают за сутки тысячи прослушиваний, неминуемо приведут аккаунт к блоку. Более аккуратные программы действуют грамотнее. Их ботов сложно отличить от уникальных пользователей. Стоимость таких услуг, понятное дело, куда дороже первых. Но риск, помните, все равно остается.
Самые популярные сервисы по накрутке прослушиваний плейлиста в ВК перечислены ниже:
- YouLiker — https://youliker.ru/nakrutka-proslushivaniy-pleylistov-muzyki-vk.html;
Раньше спросом пользовались расширения по накрутке прослушиваний плейлиста ВК от Гугл, но сегодня ни одно из них уже не работает. Мы нашли лишь один действующий плагин со схожим действием – VKV. Дополнение позволяет наладить обмен просмотрами постов в ВК, что также эффективно при продвижении.
Когда стоит задуматься об увеличении числа просмотров музыки?
Накрутка прослушиваний в ВК актуальна, если:
- Вы начинающий музыкант, который пишет и исполняет музыку и песни. И уже наверняка добавили карточку музыканта;
- Вы стремитесь раскрутить блог, сообщество или паблик;
- Вы желаете найти единомышленников в сфере своих музыкальных предпочтений;
- У вашего бизнеса в ВК низкие охваты целевой аудитории;
- Вы находитесь в поиске новых эффективных инструментов продвижения;
- Вы желаете разнообразить и дополнить комплекс маркетинговых действий по раскрутке профиля.
Безопасно ли это?
Безопасна только грамотная и осторожная накрутка прослушиваний. Разработчики ВК очень тщательно отслеживают нечестные способы продвижения, и беспощадно наказывают попавшихся.
В первую очередь, такие действия чреваты удалением плейлиста. Во-вторую, аккаунт исполнителя могут, и вовсе, заблокировать, без возможности восстановления.
Накрутку следует делать осторожно, при этом, нужно продвигать только, по-настоящему, качественные композиции. Если вы программным методом накрутите прослушивания и за короткий период взлетите в ТОП, при этом, с «отстойной» музыкой, вы моментально засветитесь. Причем, сдадут вас сами пользователи, которые, поверьте, тщательно следят за лидерами рейтинга (на то он и ТОП, что должен включать только лучшее из лучшего).
Какой вывод можно сделать из всего вышесказанного?
Если хотите продвигать свое музыкальное творчество или бизнес грамотно – не ищите быстрые пути. Действуйте методично и аккуратно. Накрутку прослушиваний плейлиста купить можно, но в очень разумных количествах. Ну, и в первую очередь, стоит уделить внимание качеству самого продукта.
Помните, накрутка, сама по себе, не привлечет вам аудиторию, ведь – это всего лишь механический счетчик. Публика придет и останется с вами, только если ваш плейлист будет цеплять, заслуживать внимания, нравиться людям. В этом случае, поверьте, прибегать к программным методам вы будете недолго. Хорошие продукты быстро находят свое место под солнцем.
Источник: faqkontakt.ru
От Soda Luv до BTS: как ВКонтакте рекомендует музыку миллионам пользователей
Всем привет! Это Даня Самойлов и Женя Замятин, мы из команды Core ML, занимаемся рекомендациями VK Музыки. В этой статье мы хотим поделиться с вами, как устроена наша система музыкальных рекомендаций (на примере алгоритмического плейлиста «Для вас»), и рассказать об интересных решениях, принятых на каждом этапе.
Для музыкальных рекомендаций мы используем двухуровневую систему. На первом уровне происходит отбор кандидатов, на втором — ранжирование этих кандидатов, продуктовые фильтрации и различные эвристики для разнообразия. Распишем все этапы и интересные решения на каждом из них.
Первый уровень
На первом уровне, как упоминалось выше, происходит отбор кандидатов для дальнейшего ранжирования. Этот уровень необходим потому, что мы не можем отправить всю имеющуюся базу треков на этап ранжирования, так как нет возможности отранжировать такое количество треков. Здесь важно получить такой набор треков, который уже будет относительно неплохо учитывать музыкальные предпочтения пользователя и в котором будут релевантные для пользователя композиции. Этот этап очень важен, ведь если в кандидатах не будет релевантных аудиозаписей, то последующие этапы будут бессмысленны.
ALS
Для отбора кандидатов мы используем эмбеддинги, полученные с помощью ALS. Кроме него, мы пробовали w2v (статья Deezer про w2v в рекомендациях музыки), но ALS показал себя значительно лучше. Факторизация у нас implicit, раскладываем матрицу взаимодействий пользователя с треками — на пересечении стоит количество запусков трека.
На выходе получаем две матрицы — матрицу пользователей и матрицу треков Дальше нам понадобится сделать шаг ALS — одну итерацию расчёта ALS-факторизации матрицы A-B при зафиксированной матрице A. После получения матрицы треков мы делаем из неё шаг ALS для получения матрицы плейлистов (раскладываем матрицу «плейлист — трек»), матрицы стилей (раскладываем матрицу «стиль — трек») и матрицы артистов (раскладываем матрицу «артист — трек»). А из матрицы юзеров мы делаем шаг ALS для получения матрицы сообществ (раскладываем матрицу «юзер — сообщество»). Все эти разложения нам нужны в дальнейшем для использования эмбеддингов в рекомендациях. Так как они все из одного векторного пространства, то мы можем найти к необходимому плейлисту ближайшего артиста, к пользователю — ближайший стиль и так далее.
Индексы эмбеддингов
У нас есть несколько индексов с эмбеддингами треков — индекс со всеми треками и индекс с фильтрованными треками. Фильтруем мы по длине трека и по количеству прослушиваний. Фильтрация по количеству прослушиваний необходима, так как при малом количестве взаимодействий с треком его ALS-эмбеддинг может быть очень шумным и ближайшие эмбеддинги треков по косинусу будут мало похожими по своей сути. Благодаря этой фильтрации у нас получается снизить вероятность таких случаев. Из этого фильтрованного индекса мы набираем треки для рекомендации пользователю, а в первом индексе мы ищем треки, с которыми взаимодействовал пользователь, для построения его эмбеддинга.
Онлайн ALS
В онлайне при генерации рекомендаций мы берём историю взаимодействий пользователя с треками, получаем их эмбеддинги и считаем шаг ALS из этих треков в пользователя для получения его эмбеддинга. Этот подход позволяет на лету учитывать сигналы юзера — последние прослушивания и добавления треков. Мы протестировали это решение против простого нахождения среднего эмбеддинга, и оно показало себя значительно лучше.
Чтобы в отсутствии взаимодействия пользователей с треками поддерживать некоторое межсессионное разнообразие, мы добавляем небольшой шум к получившимся эмбеддингам юзеров. Так при каждом запуске у нас будут немного разные кандидаты, что позволяет получать слегка отличающиеся рекомендации (но всё так же релевантные).
Далее для этого эмбеддинга пользователя ищутся ближайшие треки по косинусу. Однако если напрямую взять историю взаимодействий, сделать шаг ALS для получения эмбеддинга пользователя и найти ближайшие треки, результат получится не очень хорошим. Довольно часто юзеры слушают не один жанр, а несколько, и эмбеддинги треков довольно разрозненные и разносторонние. И если в таких случаях мы будем по всем этим эмбеддингам треков получать эмбеддинг юзера, он может не очень хорошо описывать вкусы и предпочтения пользователя.
Поэтому перед вычислением эмбеддинга юзера мы применяем кластеризацию эмбеддингов треков, с которыми он взаимодействовал.
Кластеризация
Для кластеризации мы используем spherical k-means. Таким образом мы кластеризуем прослушки и добавления пользователя и для каждого кластера вычисляем one-step ALS из треков в пользователя. Благодаря этому теперь для юзера у нас есть несколько его эмбеддингов, которые в совокупности полностью покрывают его вкусы. Для каждого из них мы находим ближайших соседей и используем полученные треки в качестве кандидатов для ранжирования. Получившийся набор треков для ранжирования в полной мере охватывает предпочтения пользователя.
Второй уровень
На второй уровень поступают кандидаты с первого уровня — набор треков, которые должны понравиться пользователю, и для которых осталось только провести ранжирование. Этот этап также очень важен, потому что после открытия алгоритмического плейлиста пользователь видит лишь часть верхних треков, которые должны его заинтересовать, чтобы он начал слушать плейлист. Поэтому для набора треков после нахождения «ближайших соседей» мы должны прокинуть в топ самые релевантные треки.
Модель ранжирования
В качестве модели ранжирования мы используем дописанный нами pairwise-мультитаргет XGB, который обучается распределённо на нескольких машинах. В качестве таргетов мы используем сигнал добавления трека в «Мою музыку», сигнал прослушивания трека (>60% трека прослушано) и сигнал скипа трека. Подробнее про эту модель мы расскажем в отдельной статье.
Признаки для ранжирования
Наша модель ранжирования использует множество признаков, в общей сложности их около 1 000. Далее мы расскажем про основные признаки, давшие хороший прирост в продуктовых метриках.
Признаки пользователя
Самые базовые признаки — информация о пользователе. Его пол, возраст, страна, подписки и другая полезная информация — всё это использует модель.
Признаки, завязанные на прослушивания трека и артиста, а также истории прослушиваний пользователя
Это основные признаки, которые появились одними из первых. По своей сути это счётчики, которые показывают количество прослушиваний конкретного трека и артиста, слушал ли пользователь конкретный трек и конкретного артиста, когда было последнее прослушивание и некоторую другую метаинформацию по треку и артисту. Такие признаки по сей день имеют большой importance в модели.
Признаки, завязанные на коллаборативные эмбеддинги
Конечно, не обошлось без признаков, завязанных на эмбеддинги ALS. Здесь всё довольно просто и прямолинейно — считаем косинусы и скалярные произведения между эмбеддингом юзера и эмбеддингами айтемов, а также нормы. Эти признаки считаются для треков, артистов и музыкальных сообществ.
Анализ звучания песен. Признаки на основе контентных данных
Для контентных признаков мы используем данные, которые были получены в результате обработки аудиозаписей с помощью нейросети PANNs. Нейросеть имеет 527 выходов, каждый из которых отвечает за отдельный вид «звука», будь то мужское пение, барабаны или шум воды.
Нейросеть может работать только с ограниченными по длине отрезками аудиозаписей, поэтому для каждого трека есть несколько записей с результатами обработки. Так перед нами встала задача агрегации этих данных. В качестве агрегирующих функций мы решили взять среднее значение, максимальное значение и энтропию. Рассматривались также минимальные значения, мода, медиана, но они не получили должного importance в модели, поэтому от них было решено отказаться в пользу производительности. Наша модель ранжирования использует эти агрегированные признаки из PHP-кода.
Но было недостаточно добавить контентные признаки только для аудиозаписей. Чтобы модель могла работать корректно, необходимо было добавить пользовательские контентные признаки исходя из истории взаимодействия юзера с треками. Во время генерации рекомендаций на этапе извлечения признаков для пользователя берётся история его прослушиваний, и контентные признаки треков агрегируются для получения пользовательских признаков. Для признаков, которые были рассчитаны с помощью среднего значения, мы считали «честное среднее» по следующей формуле:
где — значение признака трека, — количество отрезков трека.
Для признаков, полученных с помощью max и энтропии, мы брали обычное среднее значение. Кроме пользовательских признаков, были посчитаны попарные признаки — по своей сути евклидово расстояние между пользовательскими признаками и признаками треков, — а также счётчик, отвечающий за количество совпавших ненулевых признаков.
Внедрение данных признаков дало прирост прослушиваний и таймспента.
Признаки на основе данных Discogs
После успеха внедрения контентных данных было решено продолжить двигаться в направлении использования контентной информации для улучшения рекомендаций. Мы выбрали open-source базу данных Discogs, в которой собрана метаинформация о треках — жанры, стили, страна, год релиза и другая полезная информация. Из этих данных мы хотели использовать жанры и стили — их можно было бы применить в различных местах рекомендательной системы: в качестве признаков для модели ранжирования или в кластеризации в качестве опорных векторов. Также с помощью информации о жанрах и стилях можно более точно определить вкус и предпочтения пользователя, а значит, рекомендовать всё более релевантные треки. Плюсом к этому шло то, что стилей в этой базе данных более 500, а значит, есть возможность довольно детально описать вкусы пользователя.
В сыром виде использовать эти данные было невозможно, потому что они не покрывали нашу базу треков. Тогда было решено обучить модели для предсказания жанров и стилей из контентного эмбеддинга с прошлого этапа. Контентный эмбеддинг — предпоследний слой нейросети PANNs, упомянутой ранее. Мы обработали данные Discogs и сопоставили её с нашей базой, а затем обучили модели.
Далее разметили с помощью этих моделей всю нашу базу треков. Теперь для каждого трека в нашей базе указаны его жанр и стили. Эти данные мы протащили в признаки, считая в онлайне предпочтения пользователя по жанрам и стилям, а затем, сравнивая с жанром и стилем трека, получили попарные признаки трека и юзера.
Внедрение этих признаков также дало прирост прослушиваний и таймспента.
Разнообразие и фильтры
Предпоследний этап генерации рекомендаций заключается в применении различных продуктовых правил. Первое, что мы делаем, — убираем дубликаты. Второе — фильтруем треки, которые пользователь недавно слушал или добавлял в свои аудиозаписи. Для таких треков score умножается на 0.
В заключение мы фильтруем треки по доступности, корректности id и прочим техническим ограничениям.
Подготовка ответа
Последний этап — подготовка ответа. Производим сортировку треков по score, и теперь мы имеем отранжированные и отфильтрованные треки. Осталось залогировать результаты генерации для дальнейшего обучения последующих моделей и привести ответ к нужному формату, чтобы отдать выше по стеку.
Заключение
Данная статья — лишь часть нашей музыкальной рекомендательной системы. Здесь мы не описывали рекомендации UGC-плейлистов, «Показать похожие» треки и прочее, но постарались осветить основные детали и интересные решения, которые пронизывают нашу систему. Надеемся, что вы найдёте в этой статье полезные рекомендации и узнаете что-то новое для себя.
Хотим выразить благодарность команде Core ML за поддержку на всех этапах работы. В частности, Андрею Якушеву за помощь в генерации идей и разработке архитектуры системы. Также спасибо ребятам, которые помогли подготовить эту статью: редакторам, дизайнерам и всем причастным 🙂
- рекомендательные системы
- музыка
- вконтакте
- ml
- машинное обучение
- vk музыка
- machine learning
- Блог компании VK
- Машинное обучение
- Искусственный интеллект
- Социальные сети и сообщества
Источник: habr.com