Streamingdiensten bepalen steeds vaker wat luisteraars en kijkers te zien of te horen krijgen. Spotify stuurt de Discover Weekly, YouTube Music bepaalt de volgende track en ook op podcastplatforms wordt steeds meer op basis van gedrag aanbevolen. Een pas gepubliceerd wetenschappelijk onderzoek in het tijdschrift Journal of Big Data laat zien hoe zulke aanbevelingssystemen preciezer kunnen worden. Het onderzoek richt zich op muziekaanbevelingen. De uitkomsten raken echter direct aan vraagstukken waar ook podcastplatforms mee te maken hebben.
Het probleem: vaste smaak versus toevallige bui
Een aanbevelingssysteem probeert te voorspellen wat iemand hierna wil horen. Dat lijkt eenvoudig, maar het is dat niet. Een luisteraar heeft namelijk twee soorten voorkeuren tegelijk. Er is een voorkeur die over een langere periode redelijk stabiel blijft, bijvoorbeeld een voorliefde voor jazz of voor truecrime. Daarnaast is er een voorkeur die per moment verschilt, bijvoorbeeld rustige muziek op een maandagochtend en energieke muziek tijdens het sporten.
Veel bestaande aanbevelingssystemen behandelen al het luistergedrag op dezelfde manier. Ze maken geen onderscheid tussen die vaste smaak en dat tijdelijke gedrag. De onderzoekers bouwden daarom een model dat historische luistersequenties apart weegt naar tijdstip en dagdeel, en dat vervolgens de langetermijnvoorkeur en de kortetermijnvoorkeur van een gebruiker afzonderlijk berekent voordat het een aanbeveling doet. Technisch gebeurt dit met een netwerkarchitectuur die bekendstaat als LSTM, aangevuld met een zogeheten non-local operatie die verbanden legt tussen eerdere luistersessies en het actuele moment.
Grote hoeveelheden data, scheve verdeling
Een tweede probleem waar het onderzoek zich op richt, is de schaal van de data. Muziekplatforms en podcastplatforms verzamelen enorme hoeveelheden interacties tussen gebruikers en content. Die data is bovendien heterogeen. Gebruikers, tracks, artiesten en genres zijn allemaal verschillende soorten entiteiten met onderling zeer verschillende aantallen en relaties.
Dat levert een scheve en dunbezette dataset op. De meeste combinaties van gebruiker en track komen simpelweg niet voor, terwijl een klein aantal populaire tracks het merendeel van de interacties opslokt. De onderzoekers stellen een tweetraps rekenmethode voor die eerst de relaties tussen vergelijkbare entiteiten onderling in kaart brengt, voordat het geheel wordt herleid naar de volledige, veel grotere matrix. Daarmee wordt de data dichter en beter bruikbaar, zonder dat de rekentijd bij grote datasets uit de hand loopt.
Minder energie voor hetzelfde resultaat
Het derde en meest opvallende deel van het onderzoek gaat over energieverbruik. Aanbevelingssystemen draaien op grote rekenclusters die continu miljoenen berekeningen uitvoeren, en dat kost stroom. De onderzoekers ontwikkelden een planningsstrategie die herhaalde of overbodige berekeningen herkent en overslaat, en die rekenknooppunten die niets te doen hebben in slaapstand zet.
In de proeven leverde die aanpak een aanzienlijke besparing op. Het simpelweg stilzetten van overbodige rekentaken bespaarde ongeveer zeven procent energie. Het actief in slaapstand zetten van inactieve knooppunten bespaarde ongeveer drieëntwintig procent, zonder dat de kwaliteit van de aanbevelingen daaronder leed.
De resultaten
De onderzoekers testten hun model op twee datasets, een uitbreiding op de bekende Last.fm-data met ongeveer duizend gebruikers, en een dataset van het Chinese muziekplatform MIGU met ruim dertienduizend gebruikers. Op beide datasets versloeg het voorgestelde model de gangbare vergelijkingsmethoden, waaronder klassieke collaborative filtering, content-based filtering en matrixfactorisatie via Frunk-SVD. Dat gold voor precisie, recall, F1-score en de veelgebruikte NDCG-maatstaf.
Een aanvullende ablatietest, waarbij de onderzoekers onderdelen van het model één voor één uitschakelden, bevestigde dat vooral de combinatie van de tijdsgewogen sequentieanalyse en de langetermijnvoorkeur voor de winst zorgde. Alleen kortetermijngedrag gebruiken, of alle voorkeuren gelijk wegen zonder rekening te houden met tijdstip, presteerde merkbaar slechter.
Wat betekent dit voor de podcastsector
Het onderzoek gaat over muziek, en de gebruikte datasets komen uit de muziekindustrie. Toch is de onderliggende vraag herkenbaar voor iedereen die met podcastaanbevelingen bezig is. Ook podcastluisteraars hebben een vaste voorkeur voor bepaalde genres of makers, terwijl het moment van de dag, het dagdeel of de context bepaalt welke aflevering op dat moment aanslaat. Een systeem dat beide soorten voorkeuren apart weegt, kan in theorie ook voor podcastaanbevelingen relevanter uitpakken dan een systeem dat alles op één hoop gooit.
Daarnaast is het energievraagstuk relevant voor de hele sector. Naarmate podcastcatalogi groeien en platforms met steeds meer luisterdata gaan rekenen, wordt de rekenkracht die daarvoor nodig is een serieuze kostenpost en een duurzaamheidsvraagstuk. De aanpak uit dit onderzoek laat zien dat er bij het combineren van slimmere modellen en zuinigere infrastructuur nog winst te behalen valt, zonder dat de gebruiker daar iets van hoeft te merken.
Kanttekeningen
De onderzoekers noemen zelf twee beperkingen. Het model houdt alleen rekening met tijdstip en dagdeel als context, en negeert andere signalen zoals locatie, stemming, sociale context of de omgeving van de luisteraar. Ook wordt alleen een eenvoudige vorm van heterogene relaties meegenomen, terwijl de werkelijkheid vaak complexer in elkaar zit. De auteurs noemen beide punten expliciet als richting voor vervolgonderzoek. Het is bovendien goed om te beseffen dat het hier om laboratoriumonderzoek op specifieke datasets gaat. Of en hoe platforms dit daadwerkelijk gaan toepassen, is aan de platforms zelf.
Bron: Zhang, K., Shankar, A., Tsai, S.-B., & Viriyasitavat, W. (2026). ML-driven large-scale heterogeneous music-traffic data analysis. Journal of Big Data. https://doi.org/10.1186/s40537-026-01557-8
