作為煎餅果子圣地，天津人評價最高的煎餅店，一定不是人們趨之若鶩的網(wǎng)紅店，而是「我家樓下那家」。
人們對于音樂的喜好，和天津人對煎餅果子的愛有異曲同工之處，好友熱情分享過來的音樂，通常會被你歸為「垃圾」。隨著卡帶、CD、MP3 逐漸被移動互聯(lián)網(wǎng)取代，音樂應(yīng)用最終承載起滿足人們音樂品味的重任。
社交媒體上經(jīng)久不衰的唯二的兩個問題，一個是為什么「隨機」推薦并不真的「隨機」，另一個就是為什么音樂平臺推薦的音樂都這么「垃圾」。如果有機會，估計所有人最想做的事情就是去面對面問一下音樂應(yīng)用的程序員，自己到底怎么才能「調(diào)教」好這個 App，讓它推薦更多自己喜歡的音樂。
以用戶數(shù)最多的音樂平臺 Spotify 為例，他們最近開發(fā)出了一種新的算法 —— 偏好轉(zhuǎn)化模型(Prefenrence Transition Model，PTM)，想要預(yù)測，一年后的你會聽什么音樂。
揭開 Spotify「算法黑箱」
抖音、微博、淘寶、YouTube、Spotify，這些平臺的算法想盡辦法猜測我們喜好，然后把它們覺得我們會喜歡的內(nèi)容推給我們。
有些時候，這些算法確實猜得很準，我們看到的都是喜歡的內(nèi)容。但從另一方面來說，我們只看了自己喜歡的內(nèi)容。
互聯(lián)網(wǎng)活動家伊萊?帕里瑟(Eli Pariser)在 2011 年的時候提出了他著名的「過濾氣泡」(Filter Bubble)理論：算法會根據(jù)用戶的地址、歷史點擊、過往搜索等用戶相關(guān)信息猜測用戶喜好。這個過程中，那些與用戶意見相悖的信息就被過濾了。長期下來，用戶就會無法接觸新的想法和信息，逐漸隔絕在自己的意識形態(tài)泡沫中。
在處理過濾氣泡的問題上，Spotify 一直因為精準的算法而為人稱道。不只是讓用戶在自己熟悉的內(nèi)容中打轉(zhuǎn)，它總能幫用戶發(fā)現(xiàn)那些新鮮的歌曲。而恰好，這些歌曲還很討人喜歡。
「每周發(fā)現(xiàn)」(Discovery Weekly)是 Spotify 在 2015 年 7 月的王牌欄目。每周一，Spotiy 就會向用戶推送 30 首完全沒聽過的歌曲。同時，它又總能帶來非常好的用戶體驗。截至 2020 年 6 月 25 日，每周發(fā)現(xiàn)總共被播放了 23 億小時，約合 26.65 萬年，比人類文明存在的時間還長。
Spotify 是怎么做到這一切的?當然還是算法。
Spotify 主要使用了三種推薦機制 —— 協(xié)同過濾算法(Collaborative Filtering Model)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks)和自然語言分析(Natural Language Processing)。
Netflix 是最早使用協(xié)同過濾算法來推薦內(nèi)容的平臺。在 Netflix 大獲成功之后，這種算法就變得越來越流行。簡單來說，它會根據(jù)用戶之間的相似性而不是內(nèi)容的相似性來推薦新事物。
對 Spotify 來說，擺在它面前的是一個巨大的數(shù)據(jù)庫，里面裝滿了用戶聽過內(nèi)容的歷史。協(xié)同過濾算法會根據(jù)用戶 A 聽過的歌曲，找到也喜歡這些歌的另一個用戶 B，然后向 A 推送只有 B 聽過的歌曲。
但協(xié)同過濾算法的一大缺點是所謂的「冷啟動」問題，只有掌握足夠多的數(shù)據(jù)，協(xié)同過濾算法才能起作用。如果用戶是一個還沒有聽過多少歌的新用戶，或者內(nèi)容庫里有一首非常冷門歌曲，協(xié)同過濾算法就無法精準匹配。
這就引入了另一種算法 —— 自然語言處理。Word2Vec 常被用在自然語言處理中，它可以將我們?nèi)粘５膶υ捑幋a成數(shù)學關(guān)系 —— 向量。
Spotify 做了和 Word2Vec 相似的工作。它會抓取網(wǎng)絡(luò)上描述音樂、歌曲或者歌手的詞語，通過算法分配給它們不同的權(quán)重。這個權(quán)重，很大程度上代表了人們用這個詞來描述音樂的概率。通過自然語言處理，Spotify 就能確定哪兩首歌彼此是相似的，從而解決冷啟動問題。即使是冷門的歌曲或歌手，也能得到推薦。
Spotify 的第三種方式是卷積神經(jīng)網(wǎng)。
在前兩種算法的幫助下，Spotify 已經(jīng)獲得了足夠多的數(shù)據(jù)，但卷積神經(jīng)網(wǎng)絡(luò)可以進一步提高了音樂推薦的準確性。
卷積神經(jīng)網(wǎng)絡(luò)會分析歌曲的特征，包括拍子、音調(diào)、模式、節(jié)奏、響度等。通過閱讀這些歌曲的特征，Spotify 就可以根據(jù)用戶的收聽歷史了解它們之間的相似性，匹配用戶的喜好。
年輕人多在「反算法」，沒想到 Spotify 先站出來了
Daft Punk 的歌曲「環(huán)游世界」的數(shù)據(jù)分析圖|The Echo Nest
正是通過這三種算法，Spotify 像魔法一般猜準了用戶的喜好，打造出了千人千面的 Discover Weekly。
但即使 Spotify 已經(jīng)成為了世界上最流行的流媒體播放軟件，即使世界上最聰明的人在這里構(gòu)建出了無比精巧的算法，過濾氣泡的「詛咒」依舊存在。
于是，Spotify，又多做了一步。
但是，人是會變的呀!
2021 年 4 月，Spotify 聯(lián)合多倫多大學發(fā)布了一篇論文《下一步去哪兒?一種用戶偏好的動態(tài)模型》(Where To Next?A Dynamic Model of User Preferences)。
他們在 4 年間(2016 年至 2020 年)分析了 10 萬名用戶的收聽數(shù)據(jù)，來觀察用戶的消費分布變化。他們發(fā)現(xiàn)，隨著時間的變化，用戶的消費習慣也在發(fā)生變化。先前的算法擅長捕捉用戶的靜態(tài)喜好，但當面對長時間的跨度時，卻無法捕捉用戶動態(tài)的喜好變化。對于 Spotify 的長期用戶來說，他們依舊可能困在過濾氣泡中。
年輕人多在「反算法」，沒想到 Spotify 先站出來了
這是 2016 年第一季度對比隨后每個季度的總消費變化直方圖。顏色越深，對比的時間跨度就越長。比如，最左邊的淺色曲線是 2016 年第一季度和 2016 年第二季度的對比;最右邊的深色曲線是 2016 年第一季度和 2020 年第二季度的對比。隨著時間的增加，變化也越來越明顯|圖片來源：Spotify
Spotify 同時發(fā)現(xiàn)，當免費用戶消費的音樂種類越多時，他們越有可能轉(zhuǎn)化為付費用戶。也就是說，用戶聽到的音樂類型越多，他們越喜歡 Spotify。
那么該如何知道，一個人未來的音樂口味呢?
Spotify 給出了一個新的算法 —— 偏好轉(zhuǎn)化模型(Prefenrence Transition Model，PTM)。
在這張偏好轉(zhuǎn)化模型的草圖中，我們可以大致窺見 PTM 的工作原理。
我們現(xiàn)在有個用戶 1 號，根據(jù)歷史，可以知道他喜歡聽靈魂樂(Soul)。我們想知道，他以后會不會喜歡新世紀音樂(New Age)和布魯斯(Blues)。
轉(zhuǎn)換矩陣 A 是 PTM 的核心，將上述的數(shù)據(jù)輸入 A，就會得到一個預(yù)測的結(jié)果。可以看到，新世紀音樂的數(shù)值(0.4)和靈魂樂(0.4)非常接近，那用戶 1 將來很有可能會喜歡上新世紀音樂。
當然，這只是一個最簡單的模型演示，實際情況要比這復雜得多。Spotify 總共歸納了 4000 種音樂流派。而在 Spotify 的數(shù)據(jù)庫中，還有有 3.56 億個這樣的「用戶 1 號」。
除了預(yù)測性能，PTM 的另一大特點就是可以直觀地解釋從一種音樂是如何轉(zhuǎn)換到另一種音樂的。假定我們現(xiàn)在有兩個音樂流派 a 和 b，PTM 就可以提供用戶在聽完 a 之后轉(zhuǎn)換到 b 的概率。這就解釋了兩個問題：
1、a 到 b，哪條路徑是最短的?
2、如果用戶聽了 a，那么他接下來最有可能播放哪個流派?
回答這兩個問題，大大提高了 PTM 的效率和預(yù)測準確性。
年輕人多在「反算法」，沒想到 Spotify 先站出來了
這是一張偏好轉(zhuǎn)化的示意圖，顯示了初始流派(綠色)到目標流派(紅色)的最短路徑|Spotify
如何「馴服」算法
看起來，Spotify 已經(jīng)做得很好了。但再聰明的算法，都可能時不時抽一下風。畢竟，人確實很復雜，沒有人可以像你自己一樣了解自己。
Spotify 官方也給出了一些建議，希望幫助你更好地「馴服」他們的算法。
給你喜歡的歌曲點個??。
如果你不喜歡一首歌，在 30 秒之前跳過它。30s 是個關(guān)鍵節(jié)點，如果在這之前跳過一首歌，相當于算法在內(nèi)部給它點了
關(guān)鍵詞： Spotify
