浅谈音乐推荐算法: 听音乐就是给我当下的情绪找BGM
kuaidi.ping-jia.net 作者：佚名 更新日期：2024-07-05
听音乐有两种场景，一种比如，刚看完一场《无敌破坏王2》，电影的主题歌很好听，我打算上下班路上听听，于是我打开音乐App，输入关键词 “无敌破坏王2”搜索，找到Imagine Dragons的《Zero》，重复收听直到哪一天听腻了。另一种，在某个下雨天，躺在沙发上，找点音乐来配合我当下的心情，至于听哪一首，我也不知道，但听音乐的需求是确实存在且强烈的。
两种场景截然不同，前者需求明确，用户主动搜索获取资源；后者需求隐意，需要挖掘。而在大多数情况下，都处于第二种状态，即没有明确的目的，只是单纯想听听音乐。我不会在乎耳边的音乐来自于哪一个歌手，乡村还是民谣，中文还是英文，甚至不会仔细聆听，但它又是不可或缺的，就像是给自己的生活播放合适的BGM。
腾讯近日发布了一款音乐App --- MOO ，在接触MOO之前，我基本上用QQ音乐和网易云音乐，我细数了我自己的使用习惯发现，很多时候，基本上只会顺序播放喜欢列表中的歌曲，而这些歌曲都来自于上文描述的场景一「激发 -- 搜索 -- 试听 -- 添加喜欢」。QQ音乐和网易云也会花大量的尽力打造“发现”板块，榜单、作者、专题等，不过我很少使用，原因是：没有探索的欲望。音乐是需要听过之后才能发现是否喜欢，而点开榜单、作者、专题来试听寻找喜欢的音乐，成本太高且收效不大。因此，QQ音乐、网易云音乐这类App，于我而言是 音乐的搜索、播放工具 。初次使用，眼前一亮，亮点列举如下：
1. 启动App后进入的沉浸式的全屏模式，播放动效酷炫，有视觉冲击力；
2. App内去掉了几乎大多数icon注释，让界面非常简洁；
3. 上滑切歌，右滑换tab，底部横向滑动调节播放进度;
4. 每天会推荐20首，不用搜索，打开就能听。
总体来说是一个非常95后、00后的年轻产品。但是更加吸引我的不是以上这些，而是Moo改变了我听音乐的习惯，或者说 重新定义了我的听音乐场景 。最近我几乎每天下班路上都会带着耳机听Moo，20首歌曲足够满足一天的新鲜感，我也不用再思索“ 听什么” 这个问题。喜欢的收藏，不喜欢的上滑，就是这么简单，操作成本极低，让听音乐变成了一个纯粹的 探索和欣赏的过程 。
那么决定这种使用体验好坏的关键就在于：音乐 推荐的准确性 。
我眼中的理想态是：它可以越来越了解我，知道我喜欢听什么样的音乐，甚至能猜到我在某一个时刻想听什么音乐，然后播放！
其实Spotify（一个正版流媒体音乐服务平台，2008年10月上线）就已经在做这件事了，主要使用了以下三种推荐策略：
1. 协同过滤 ，寻找爱好兴趣相似的用户，然后给一方推荐给另一方的歌单上的歌曲；
2. NLP ，爬取网上关于音乐的信息，并分析用户讨论的具体的艺术家或者歌曲内容，比如用的什么形容词或者哪些词用的最多，经过统计分析得到“文化向量（cultural vectors）”和“高频短语（top terms），通过文化向量与高频短语，就能大概率找到风格近似的音乐。
3. 原始音频模型， 卷积神经网络（CNN）， 通过计算机分析音频的信息（节奏、音调、音色），然后向用户推荐信息数据相似的歌曲。主要用于处理新歌的冷启动问题。
关于音乐的推荐，个人认为还存在以下几个问题没有很好地被解决：
1. 节奏、音调、音色维度上的相似性，未必能代表情绪、风格维度上的相似性；
我们可以通过计算机技术，分析音乐的节奏、音调、音色、甚至用户的评论、歌手信息等，但这些信息就能表达音乐的情绪和风格么？咨讯新闻的消费，是客观的没有情绪的，音乐不是，恰恰相反，音乐的消费很大程度上由听者及音乐本身传递的情绪所决定。因此，情绪上的匹配就很关键了。
2. 能获取听者的用户画像，但未必能获得听者当前的情绪画像；
音乐是情绪的表达，情绪不同于兴趣，兴趣在相当长的一段时间内是稳定的，即使用户的潜在兴趣被挖掘了，基础的兴趣画像是稳定存在的。情绪不同，这一秒我哈哈大笑，下一秒也许就因为某件事而陷入忧思，情绪会变，且稍纵即逝。所以对于推荐算法来说，如何及时捕捉、解析、存储、处理用户的情绪画像是很大的挑战。
3. 音乐的重复消费性是怎样的？
我们都知道，对于新闻资讯而言，基本上用户只需要读一遍即可，很少有人会去重复阅读。但音乐不同，音乐是具有可重复消费属性的。难点在于：你怎么知道用户在什么时候听腻了这首歌？又在什么时候突然想听听曾经以为听腻了的那首老歌？
---------------------------
以上观点，纯属个人拙见，欢迎大神扶正、交流。
两种场景截然不同，前者需求明确，用户主动搜索获取资源；后者需求隐意，需要挖掘。而在大多数情况下，都处于第二种状态，即没有明确的目的，只是单纯想听听音乐。我不会在乎耳边的音乐来自于哪一个歌手，乡村还是民谣，中文还是英文，甚至不会仔细聆听，但它又是不可或缺的，就像是给自己的生活播放合适的BGM。
腾讯近日发布了一款音乐App --- MOO ，在接触MOO之前，我基本上用QQ音乐和网易云音乐，我细数了我自己的使用习惯发现，很多时候，基本上只会顺序播放喜欢列表中的歌曲，而这些歌曲都来自于上文描述的场景一「激发 -- 搜索 -- 试听 -- 添加喜欢」。QQ音乐和网易云也会花大量的尽力打造“发现”板块，榜单、作者、专题等，不过我很少使用，原因是：没有探索的欲望。音乐是需要听过之后才能发现是否喜欢，而点开榜单、作者、专题来试听寻找喜欢的音乐，成本太高且收效不大。因此，QQ音乐、网易云音乐这类App，于我而言是 音乐的搜索、播放工具 。初次使用，眼前一亮，亮点列举如下：
1. 启动App后进入的沉浸式的全屏模式，播放动效酷炫，有视觉冲击力；
2. App内去掉了几乎大多数icon注释，让界面非常简洁；
3. 上滑切歌，右滑换tab，底部横向滑动调节播放进度;
4. 每天会推荐20首，不用搜索，打开就能听。
总体来说是一个非常95后、00后的年轻产品。但是更加吸引我的不是以上这些，而是Moo改变了我听音乐的习惯，或者说 重新定义了我的听音乐场景 。最近我几乎每天下班路上都会带着耳机听Moo，20首歌曲足够满足一天的新鲜感，我也不用再思索“ 听什么” 这个问题。喜欢的收藏，不喜欢的上滑，就是这么简单，操作成本极低，让听音乐变成了一个纯粹的 探索和欣赏的过程 。
那么决定这种使用体验好坏的关键就在于：音乐 推荐的准确性 。
我眼中的理想态是：它可以越来越了解我，知道我喜欢听什么样的音乐，甚至能猜到我在某一个时刻想听什么音乐，然后播放！
其实Spotify（一个正版流媒体音乐服务平台，2008年10月上线）就已经在做这件事了，主要使用了以下三种推荐策略：
1. 协同过滤 ，寻找爱好兴趣相似的用户，然后给一方推荐给另一方的歌单上的歌曲；
2. NLP ，爬取网上关于音乐的信息，并分析用户讨论的具体的艺术家或者歌曲内容，比如用的什么形容词或者哪些词用的最多，经过统计分析得到“文化向量（cultural vectors）”和“高频短语（top terms），通过文化向量与高频短语，就能大概率找到风格近似的音乐。
3. 原始音频模型， 卷积神经网络（CNN）， 通过计算机分析音频的信息（节奏、音调、音色），然后向用户推荐信息数据相似的歌曲。主要用于处理新歌的冷启动问题。
关于音乐的推荐，个人认为还存在以下几个问题没有很好地被解决：
1. 节奏、音调、音色维度上的相似性，未必能代表情绪、风格维度上的相似性；
我们可以通过计算机技术，分析音乐的节奏、音调、音色、甚至用户的评论、歌手信息等，但这些信息就能表达音乐的情绪和风格么？咨讯新闻的消费，是客观的没有情绪的，音乐不是，恰恰相反，音乐的消费很大程度上由听者及音乐本身传递的情绪所决定。因此，情绪上的匹配就很关键了。
2. 能获取听者的用户画像，但未必能获得听者当前的情绪画像；
音乐是情绪的表达，情绪不同于兴趣，兴趣在相当长的一段时间内是稳定的，即使用户的潜在兴趣被挖掘了，基础的兴趣画像是稳定存在的。情绪不同，这一秒我哈哈大笑，下一秒也许就因为某件事而陷入忧思，情绪会变，且稍纵即逝。所以对于推荐算法来说，如何及时捕捉、解析、存储、处理用户的情绪画像是很大的挑战。
3. 音乐的重复消费性是怎样的？
我们都知道，对于新闻资讯而言，基本上用户只需要读一遍即可，很少有人会去重复阅读。但音乐不同，音乐是具有可重复消费属性的。难点在于：你怎么知道用户在什么时候听腻了这首歌？又在什么时候突然想听听曾经以为听腻了的那首老歌？
---------------------------
以上观点，纯属个人拙见，欢迎大神扶正、交流。
