用户|算法推歌20年：从Pandora、Spotify到QQ音乐、网易云音乐( 二 )_

文章插图
要实现对用户的个性化推荐，除了对内容的精准描述外，精准的用户画像也同样重要。
2018年，Spotify申请的一项专利被视为其推荐系统2.0版本到来的标志。据悉，这项专利是一项音频信号处理技术，能够对用户的语音内容和背景噪音进行处理，以得到用户的情绪状态数据。再加上对年龄、性别、地区等传统数据的综合分析，Spotify将为用户提供更为精准的推荐内容，“把推荐技术提升到一个新的水平”。
与Spotify和Pandora试图去深刻理解用户不同，刚刚上线的“Super Sonic”并没有在用户画像上下功夫——这款仅针对Plex付费用户推出的功能，只是为了推荐用户可能喜欢的歌曲。“Super Sonic”将一首歌曲的“声音”从旋律、节拍等50多个维度进行分解，根据分析结果，歌曲们被放进了一个以歌曲特性为坐标轴的N维空间中，并用不同的点表示。在N维空间中，两个点越接近，它们代表的歌曲就越“相似”。
50维空间中的计算需要极大的计算量，这或许是在安装“Super Sonic”时需要耗费数小时甚至数天时间的原因。
尽管运作系统十分庞大，但“Super Sonic”并未带来多少新意。对歌曲本身进行分析，这与Spotify的音频分析模型的想法不谋而合；而通过寻找两个相近的“点”来召回歌曲，则是协同过滤模型中常用的求解思路。
不过，与各位“前辈”相比，“Super Sonic”也有着自己的亮点——它完全摆脱了对元数据的依赖。尽管Spotify的音频分析模型也只对歌曲本身进行分析，但最终被端上用户餐桌的，是由多个模型共同决定的内容。直观来看，“Super Sonic”这种“不加以辨别”的推荐方式，意味着独立音乐人有更多被听见的可能，也给听众带来了更多新的探索。
国内平台是怎么做算法推歌的？众所周知，用户对音乐的反馈越多，个性化推荐的内容越精准。其实这是一种双向互动的过程——推荐系统学习到用户喜好，用户也借助算法工具实现了对自己潜在音乐喜好的探索。
在这种推荐系统与用户的双向互动中，“标签”是推荐歌曲最重要的依据。无论是Pandora“音乐基因组计划”还是Spotify的三种算法模型，核心目的都在于给一首歌曲贴上足量且准确的“标签”。

文章插图
在标签的解读上，QQ音乐的推荐系统给出了一些新的思路：在标签系统中加入了视觉元素，从音视频和艺人的角度对歌曲进行拆解；流派方面，QQ音乐综合国情，开发出了诸多中国独有的“标签”。例如例如通行的“电音”“说唱”等流派划分外，还加入了“国风”、“城市民谣”、“大众流行”等中国特有的“标签”，以照顾到不同受众的口味与感受。
QQ音乐推荐系统的另一个创新点则是建立了歌曲的知识图谱。在采访中，QQ音乐数据算法负责人Toro对音乐先声表示，知识图谱是由歌曲丰富的知识信息组成的网络结构，在这个网络中，每首歌曲就是一个点，具有相同特征（例如专辑、歌手、音色等）的所有歌曲连成线，所有线交织在一起，则构成了一张蕴含着歌曲关联信息的网状知识图谱。
知识图谱的应用，无疑给分析歌曲之间的相关性提供了更多的角度。作为可读性较高的外部知识载体，歌曲的知识图谱提供的信息也应用到了QQ音乐的个性化推荐板块（个性电台、每日30首等）。

文章插图
在用户分析方面，QQ音乐主要采用行为序列和语义分析两种模型。用户对每首歌曲的搜索、播放、收藏、切歌等在APP中的所有行为构成的行为序列，再结合从语义分析出的用户音乐个性，帮助QQ音乐为每位用户刻画出了独有的“音乐肖像”。