AI/Data Technology Map

AWA

配信楽曲数： 2億曲以上
蓄積されている音楽再生ログ： 10年間以上
ラウンジ累計視聴時間： 115万時間以上

AWAは、無料でも有料でも使える音楽ストリーミングサービスです。サービス開始から10年以上が経過し、その間に200億回音楽が再生され、2.2億回の好きな音楽との出会いが生まれ、1,600万件のプレイリストが作成されました。これらを記録した膨大なログデータや、アンケートなどによって得られるサービス外のデータを活用し、サービスの意思決定支援や、ユーザー体験の向上に役立てています。

Member

Data Scientist : 課題発見、要件整理、分析、結果活用サポート、施策提案など。研究活動として学会発表、論文執筆なども。
ML Engineer : 課題発見、要件整理、機械学習・統計的手法を利用しているシステムの開発と運用など。

使用している主な技術

Python, R, Golang, Java, BigQuery, Kubernetes, vertexAI, LightGBM, CatBoost, Approximate Nearest Neighbors, Skip-gram, AB testing, Tableau, Multivariate analysis, Statistical modeling

「ForYou」レコメンド枠の改善

解決したい課題/ ユースケース

AWAには「ForYou」というパーソナライズされたページがあり、楽曲、アーティスト、アルバム、プレイリストといった様々なタイプのコンテンツが、音楽ライターの解説やポップなどと共に音楽雑誌のように表示されます。我々は、推薦候補となるコンテンツ集合から、それらのForYouページ上の最適な並び順を決めるという課題に取り組んでいます。
音楽サブスクサービスにおいて音楽の聴き方は多様（アルバム単位で聴く、楽曲単位で聴く、他人が作成したプレイリストで聴くなど）であるため、音楽の好み（ジャンルやアーティストなど）のみでなくコンテンツタイプを考慮する必要があります。この課題に対し、機械学習の一形態であるLearning to Rankを用いています。ここで、最も考慮すべき点の１つは、モデルに用いる特徴量をどうするかということです。我々は、有用だと考えられるユーザーおよびコンテンツの特徴量を考案しオフライン検証によって特徴量を選定、ランキングシステムの構築と本番適用を行いました。結果、リリース後のABテストでCTRと課金率への有意な改善を確認することができました。

AWAラウンジ盛り上がり定量化

解決したい課題/ ユースケース

AWAの「ラウンジ」機能は、ユーザー同士がリアルタイムで音楽の流し合いや語り合いを楽しめるオンライン空間で、だれでも無料で利用することができます。ラウンジでは、流れる音楽を聴きながら、曲をリクエストしたり、チャットやスタンプ機能でユーザー同士でコミュニケーションを行うことができ、ラウンジの配信者は音声をライブ配信することもできます。
AWAでは、これらの各アクションログやライブ配信の発話データを用いて、ラウンジの盛り上がりの定量化に取り組んでいます。そもそも盛り上がっている状態とは何かの議論から問題を定式化し、時系列データからのトレンド抽出、音声データ処理、予測モデルなどの技術を用いてそれを解きます。この取り組みにより、ラウンジ自体の評価や、ラウンジを盛り上げるために何をすればよいのかという配信者にとっての知見を得ることができます。これらの結果は、ラウンジコンテンツのランキングロジック改善などに活用されています。