GrafoLab

Resumo — Como o Spotify monta playlists como “Descobertas da Semana” que parecem ler sua mente musical? A resposta não está (apenas) na análise do som, mas sim na análise das conexões. O Spotify modela o universo da música como um imenso grafo onde músicas, artistas, playlists e usuários estão interligados. Usando técnicas de embeddings de grafo, eles aprendem o “DNA relacional” de cada faixa, permitindo recomendações que capturam não só o gênero, mas o contexto e o momento do ouvinte.

---

1. O Problema: Gosto Musical é Mais Que Som

Se a recomendação musical fosse baseada apenas em características do áudio (batidas por minuto, instrumentos, tom), sistemas de recomendação seriam muito limitados. Eles poderiam sugerir músicas sonoramente parecidas, mas falhariam em capturar nuances cruciais:

• Contexto de Escuta: Músicas que as pessoas ouvem juntas na mesma sessão ou colocam na mesma playlist (ex: “Músicas para Correr”, “Foco no Trabalho”) podem ser sonoramente diferentes, mas compartilham um propósito ou humor.
• Conexões Sociais e Culturais: Artistas que colaboram, que pertencem à mesma “cena” musical, ou que são ouvidos pelo mesmo grupo de fãs, têm uma conexão que vai além do som.
• Descoberta de Novidades: Como o sistema sugere algo novo que você pode gostar, se ele só se basear no que você já ouviu?

Para capturar essas relações, precisamos modelar o ecossistema musical como um grafo.

2. Modelando o Universo Musical Como um Grafo

Podemos imaginar o Spotify como um grafo complexo com diferentes tipos de nós e arestas:

• Nós: Músicas, Artistas, Álbuns, Playlists (criadas por usuários ou pelo Spotify), Usuários.
• Arestas: Representam as interações e relações:
  • Co-ocorrência em Playlists: Aresta entre Música A Música B se elas aparecem juntas em muitas playlists de usuários.
  • Co-escuta em Sessões: Aresta entre Música A Música B se usuários frequentemente as ouvem na mesma sessão de escuta.
  • Relações Artista-Música: Artista X Música A (Artista X criou a Música A).
  • Colaborações: Artista X Artista Y (Colaboraram em uma faixa).
  • Interações do Usuário: Usuário U Música A (Ouviu), Usuário U Playlist P (Salvou).

A partir dessas interações, o Spotify pode construir grafos derivados poderosos, como um grafo Música-Música (onde a aresta significa “são ouvidas juntas”) ou um grafo Artista-Artista (onde a aresta significa “têm fãs em comum” ou “colaboram”).

3. Aprendendo o “DNA” das Músicas: Embeddings por Caminhadas Aleatórias

Uma vez que temos esses grafos (especialmente o grafo Música-Música), como extraímos insights deles? Uma técnica poderosa, muito similar ao que vimos no post sobre DeepWalk/Node2Vec, é usar caminhadas aleatórias (random walks) para aprender embeddings.

A Intuição:

Imagine um “andarilho” pulando de música em música no grafo de co-escuta. Se ele começa em uma música de Rock Clássico, ele provavelmente passará mais tempo “visitando” outras músicas de Rock Clássico que são frequentemente ouvidas juntas. Se ele começa em uma música Lo-Fi para estudo, ele visitará outras faixas desse universo.

O algoritmo funciona assim (em alto nível):

1. Gere Passeios: A partir de cada música, simule milhares de random walks curtos no grafo Música-Música.
2. Aprenda Embeddings: Use um algoritmo (como o Skip-gram do Word2Vec) para aprender um vetor (o embedding) para cada música. Músicas que aparecem frequentemente nos mesmos passeios (ou seja, são contextualmente similares na forma como as pessoas as ouvem) terão embeddings parecidos.

O resultado é um “DNA” numérico para cada música que captura não apenas seu som, mas com quem ela “anda” no grafo de escuta dos usuários. O mesmo processo pode ser feito para aprender embeddings de artistas.

4. Usando os Embeddings: Playlists e Descobertas

Esses embeddings são a matéria-prima para muitas das funcionalidades mágicas do Spotify:

• “Descobertas da Semana” / “Radar de Novidades”: O sistema olha para os embeddings das músicas e artistas que você ouve e busca por músicas/artistas próximos nesse “espaço de embeddings” que você ainda não ouviu. O truque é encontrar o equilíbrio entre similaridade (para ser relevante) e novidade (para ser uma descoberta).
• Playlists Personalizadas (Daily Mix): O sistema pode clusterizar (agrupar) os embeddings das músicas que você ouve para identificar seus diferentes “mundos musicais” (ex: um cluster de Rock, um de Eletrônica, um de MPB). Cada Daily Mix foca em um desses clusters.
• Continuação de Playlist (“Rádio da Música”): Quando uma playlist sua acaba, o sistema olha para os embeddings das últimas músicas tocadas e sugere a próxima faixa que está “mais perto” nesse espaço vetorial, mantendo a coerência do mood.
• Recomendação Sequencial: Modelos mais avançados podem aprender não apenas a similaridade, mas a sequência provável. Dado que você ouviu A e B, qual a chance de querer ouvir C em seguida? Isso também pode ser aprendido a partir dos random walks.

5. Desafios: A Bolha Musical e o Artista Novo

Essa abordagem é poderosa, mas enfrenta desafios constantes:

• Aproveitamento vs. Exploração (Exploitation vs. Exploration): O sistema precisa balancear entre recomendar coisas que sabe que você gosta (aproveitamento) e arriscar sugerir algo novo que você pode gostar (exploração). Muito aproveitamento e a playlist fica repetitiva; muita exploração e ela pode parecer irrelevante.
• A “Bolha” (Filter Bubble): Se o sistema só recomenda coisas parecidas com o que você já ouve, você pode ficar preso em uma “bolha musical”, sem descobrir gêneros ou artistas radicalmente novos. Introduzir diversidade é crucial.
• Problema do Artista Pequeno (Cold Start): Um artista novo, com poucas reproduções, terá dificuldade em entrar nos random walks e, portanto, em ser recomendado. O Spotify precisa de mecanismos para dar “visibilidade inicial” a novos talentos.

Conclusão

O Spotify transformou a descoberta musical ao entender que as conexões entre as músicas e entre os ouvintes são tão importantes quanto o som em si. Ao modelar o ecossistema musical como um grafo e usar técnicas de embeddings (inspiradas em algoritmos como DeepWalk/Node2Vec), eles conseguem capturar o contexto, o mood e as relações sociais que definem nosso gosto musical. É um exemplo brilhante de como a Teoria dos Grafos pode ser usada para mapear e navegar em um dos domínios mais subjetivos e humanos: a música.

---

Referências

Como em outros casos de indústria, os detalhes exatos são proprietários, mas a abordagem geral é consistente com a pesquisa acadêmica em recomendação baseada em grafos e embeddings.

• (Embeddings por Walks): Perozzi, B., Al-Rfou, R., & Skiena, S. (2014). DeepWalk: Online Learning of Social Representations. KDD 2014. & Grover, A., & Leskovec, J. (2016). Node2Vec: Scalable Feature Learning for Networks. KDD 2016. (Os papers que popularizaram a técnica).
• (Spotify Engineering Blog): Ocasionalmente, o Spotify publica artigos sobre suas tecnologias de recomendação e descoberta. Vale a pena pesquisar por lá. Ex: https://engineering.atspotify.com/

Sobre o autor

Rener Menezes
Cofundador & CTO — FitBank

Rener Menezes é cofundador e CTO do FitBank, fintech brasileira de Banking-as-a-Service. Com mais de 25 anos de experiência projetando sistemas financeiros em larga escala, é bacharel em Sistemas de Informação e mestrando na Unifor, onde pesquisa Redes Neurais de Grafos e aprendizado por reforço para detecção de fraude. Interesses: sistemas distribuídos, infraestrutura de pagamentos e graph ML.

Links: LinkedIn · ORCID · contato@grafolab.ia.br