网易云音乐的歌单推荐算法是怎样的?

2019-11-22 10:20发布

基础算法:人以群分

实际上,网易云音乐个性化推荐的算法与今日头条、B 站还有很多 O2O 电商平台应用的基础推荐算法大同小异。这个得到了徐家的认证,就是我们熟知的那类基础算法:

协同过滤算法

这个算法要归功于亚马逊工程师的「发明」——「一个客户买了这个东西,那么他也可能买另一个东西」。

简单来说,该算法的预测标准取决于「人与人之间相似的消费模式」。譬如「我喜欢这两首歌,而你的歌单里也有这两首歌,所以你歌单里有可能存在其他我喜欢的歌」。

以上的说法只是便于理解。实际上,协同过滤算法其实应该分为两类:「基于用户」与「基于项目(单曲)」。

1、基于用户:我与小明收藏的歌单相似度很高,那么在判断我们口味相似的基础上,可以给小明推荐我歌单里她没收藏过的单曲。

基于用户。图片来源:数据挖掘工人

2、基于项目(单曲):就是将用户对一首歌的偏好作为向量计算单曲之间的相似度,比对相似度后,根据这个用户历史偏好为另一位用户推荐单曲。

举个例子,小歆下载了《勇气》《小情歌》两首单曲,而小宜下载了《勇气》《天黑黑》和《小情歌》,而小艺下载了《勇气》…

那么根据这些用户的历史偏好,网易云音乐可以判断《勇气》与《小情歌》是相似的,喜欢《勇气》的可能也会喜欢《小情歌》,那么可以把《小情歌》推荐给小艺。

基于项目。图片来源:数据挖掘工人

总之,如果你觉得对于「协同过滤」这种算法仍然理解困难,那可以只记住一个词:

人以群分。

在这里要歪个楼:正是这种本质上基于用户偏好相似度的推荐模型,在无形中让用户在听音乐中组成了一个个「彼此聊得来」的社群。

因此,沈博文并没有把「以后可能会发展成全国最大的婚恋交友网站」看作是一个无厘头的笑话。而是认为这种基于音乐喜好的社交趋势,反而比当下的交友平台更靠谱:

「好奇心日报之前曾做过一个调查——『人类找到灵魂伴侣的主要参考标准是什么?』 是音乐品味。」

神经网络模型下的「物以类聚」

可以看到,这种推荐算法绝对缺不了用户历史数据的支撑。在数据量庞大且足够干净的时候,协同过滤算法是非常强大的。

那么反过来想,假如我是一个新用户,或者我使用网易云音乐的频率特别低。也就是说,在数据稀少的情况下,网易云音乐该怎么获知我的口味?

这种冷启动问题,意味着不同算法模型交叉使用的必然性。或许下面的第二大类算法能在一定程度上消除这个障碍。

基于内容的推荐算法。

这是以区分单曲内容实质为核心的推荐方式,就看做是「物以类聚」吧。

全球著名音乐流媒体平台 Spotify 内容推荐模型的建立者之一 Sander Dieleman(现在是 DeepMind 研究科学家),曾在一篇名为《卷积神经网络在音乐推荐里的应用》的博文中具体阐释了使用单一协同过滤算法会存在的误差:

1、由于这种算法除了用户及消费模式信息外,不涉及被推荐单曲本身的任何信息。因此,热门音乐就比冷门音乐更容易得到推荐,因为前者拥有更多的数据。而这种推荐往往是很难让人感到惊喜的。

2、而基于项目(单曲)的协同过滤,也有一个问题,就是相似使用模式下的内容异质。

例如你听了一张新专辑里面全部的歌,但除了主打歌,其他的一些插曲、翻唱曲以及混音曲可能都不是歌手的典型作品,那么协同过滤在这个时候,就会因为这些「噪音」而产生偏差。

当然,它最大的问题便是「没有数据,一切皆失效」。

因此,基于内容的推荐算法更像是对协同过滤算法以上缺陷的一种补充——假如没有大量用户数据,或者想听冷门歌曲,我们就只能从音乐本身寻找答案了。

徐家与沈博文两位专家明确表示,网易云音乐针对这些问题采取了基于内容的复杂算法。但较为遗憾,二位对具体细节并没有进行过多解释。

因此,根据我们的猜测,他们运用的应该与 Spotify、Youtube 等流媒体平台一样的方法——利用深度学习建立基于音频的推荐模型。

首先,如果要对比单曲与单曲之间的内容差异,那么维度就太多了,譬如艺术家及专辑信息、歌词、音乐本身的旋律及节奏、评论区里的「夸夸其谈」、VIP 下载歌曲、付费与否等等元素。

可以想象,这是一个多么庞大的计算量。不过暴力全量计算不失为一种方法……

因此,要通过特征 embedding 和降维方法,把这么多特征映射到低维的隐变量空间里(如同下图)。

可想而知,在这个空间里,每首歌都可以有一个坐标,而坐标数值就是包括音频特征、用户偏好在内的多重编码信息。

那么,假如我们直接预测了一首歌曲在这个低维空间中的准确位置,也就明确了这首歌的表征(包括用户偏好信息)。

这样就能够把它推荐给合适的听众,且并不需要历史使用数据。

因此,掌握了大量歌曲数据源信息与用户行为数据映射出来的隐含特征,再以此建立基于音频特征的神经网络预测模型,用短音频片段训练网络,是很多流媒体正在采取的方式。

(具体方法可以去翻翻 Sander Dieleman 的论文,如果你懂这个,给我们来讲一课!)

当然,在训练网络过程中,工程师门还是会通过「丢弃」(Dropout)等方法来降低过滤模型隐藏表征与音频预测之间的标准差(不能让数据集离散度太高),而这样做主要是为了降低歌曲人气对推荐系统的影响。

没错,这就是你能够收到更加小众歌曲推荐的缘由。

当然,以上无论哪种算法,其实都会基于一定的「相似度」。

譬如网易云音乐也同时应用了机器学习排序模型,这种模型仍然是基于用户行为数据与相似度(也是很普遍的一种模型)。

体现在应用上,通俗来讲,就是你的「每日推荐」歌单里,第一首歌通常是系统认为与你的喜好匹配度最高的一首(很多人常常在评论区喊出的「日推第一」,其意义还是蛮大的)。

而知乎里有大 V 提到的推荐模型「潜在因子矩阵」,徐家则认为已经过时了,「现在用的人已经很少」。

计算方法——我们歌单相似度到底怎么算出来的?

据徐家透露,网易云音乐则主要运用了两种度量方式:

欧式距离与余弦相似度。

CDSN 一位技术专家的博客已经把两者之间的差异解释的非常清晰了(下图):

来自名为Ying的CDSN技术博客

前者是被看作坐标系中的两个点,来计算两点之间的距离。

譬如上图数据 A 和 B 在坐标图中当做点时,两者相似度为两点之间的绝对距离 dist(A,B)。

而后者是看成坐标系中两个向量,来计算两向量之间的夹角。

譬如图中的 cosθ,夹角越小,相似度越高。

你会发现,仍然是在这张图上,如果 B 的位置不变,A 点的位置沿 A 到原点这条线的反方向不断延伸,A 与 B 的余弦夹角就是永远不变的,但两点的绝对距离却发生了变化。

这种差异,导致他们需要被用于不同的数据分析模型。

徐家解释,能够突出数值绝对差异的欧氏距离,在计算歌曲本身相似度时用的比较多。

举个例子,A 歌曲 1 万人喜欢,而 B 歌曲 2 万人喜欢,由于样本量足够大了,可以把所有用户对歌曲的喜好看成一样的强度,那么就可以直接用欧式距离来算。

在欧式距离下,用户对歌曲的偏好都可以被认为是一样的分数,可以简化歌曲相似度的计算。

而余弦相似度更多是从用户偏好方向上区分差异。

譬如网易云音乐可以用该方法,通过用户对内容评分(有下载、收藏、搜索、不感兴趣等不同评分权重)来区分用户兴趣的相似度。

总之,结合了上述算法与计算方式,网易云音乐的个性推荐在大众里的口碑还不错。

但这种「还不错」,如果仅仅依靠技术就能达成,恐怕亚马逊在中国的业务就不会这么糟糕了(我其实在吐槽它的界面)。

坦白讲,再牛逼的算法也有不足。

对于所有音乐产品,用户体验的分值都是由编辑及项目协作、界面设计喜好、音乐版权丰富程度以及音乐偏好预测、技术能力、问题反馈速度共同构成的。

这也是为何有人为网易云音乐的推荐歌单疯狂打 Call,而也有不少人称「听歌比较杂的人可能用网易云音乐真的很心累」。

举个例子,你是一个忠实的欧美音乐圈粉丝,但却在最近偶尔下载了一首中文歌。

那么我可以确定,你第二天的推荐歌单里,一定会有一首中文歌。接下来只能不停地对出现在歌单里的中文歌狂点「不感兴趣」了。

(推荐算法设定了基于不同用户行为的权重,「下载」最高,收藏、搜索、分享其次,此外你也可以点击「不感兴趣」,或许会避开这类歌)

人工不可缺少

除了算法推荐,在很大程度上,一个流媒体平台也一定会承担人工过滤职责,从产品及运营角度确立人工规则,筛除不符合条件的选项。

沈博文告诉我们,他们不只是依赖算法,而是希望通过一些人工的力量,来补偿算法的一些不足。

因此,除了有单独的算法团队,网易云音乐也有一个强大的编辑团队。

一方面,他们帮助在一开始推荐内容上面做一层筛选,找出那些比较优质的内容,保证整一个推荐库的健康。

而另一方面,他们也需要解决算法的一些收敛问题。

「因为如果纯粹依靠算法推荐的话可能会对一些新内容响应较慢,我们也会用一些人工编辑的方式。去寻找出一些可能我们觉得非常优质的内容,然后推荐给大家,」沈博文表示。

此外,即便客服系统在一定程度上依赖AI技术,但由网易云音乐客服部门与技术部门共同组成的「人工反馈小组」,才是让用户对网易云音乐好感up的重要原因。

很多「秒回」的技术解决方案还被用户戏称为「原来网易云音乐的小编真的是活的」。



作者:盼盼学士
链接:https://www.jianshu.com/p/d40ce25bec21
来源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

赞赏支持

登录 后发表评论
0条评论
还没有人评论过~