文章插图
你的音乐品味变了，Spotify 的算法也是。
作为煎饼果子圣地，天津人评价最高的煎饼店，一定不是人们趋之若鹜的网红店，而是「我家楼下那家」。
人们对于音乐的喜好，和天津人对煎饼果子的爱有异曲同工之处，好友热情分享过来的音乐，通常会被你归为「垃圾」。随着卡带、CD、MP3 逐渐被移动互联网取代，音乐应用最终承载起满足人们音乐品味的重任。
社交媒体上经久不衰的唯二的两个问题，一个是为什么「随机」推荐并不真的「随机」，另一个就是为什么音乐平台推荐的音乐都这么「垃圾」。如果有机会，估计所有人最想做的事情就是去面对面问一下音乐应用的程序员，自己到底怎么才能「调教」好这个 App，让它推荐更多自己喜欢的音乐。
以用户数最多的音乐平台 Spotify 为例，他们最近开发出了一种新的算法——偏好转化模型（Prefenrence Transition Model，PTM），想要预测，一年后的你会听什么音乐。
揭开 Spotify「算法黑箱」抖音、微博、淘宝、YouTube、Spotify，这些平台的算法想尽办法猜测我们喜好，然后把它们觉得我们会喜欢的内容推给我们。
有些时候，这些算法确实猜得很准，我们看到的都是喜欢的内容。但从另一方面来说，我们只看了自己喜欢的内容。
互联网活动家伊萊·帕里瑟（Eli Pariser）在 2011 年的时候提出了他著名的「过滤气泡」（Filter Bubble）理论：算法会根据用户的地址、历史点击、过往搜索等用户相关信息猜测用户喜好。这个过程中，那些与用户意见相悖的信息就被过滤了。长期下来，用户就会无法接触新的想法和信息，逐渐隔绝在自己的意识形态泡沫中。
在处理过滤气泡的问题上，Spotify 一直因为精准的算法而为人称道。不只是让用户在自己熟悉的内容中打转，它总能帮用户发现那些新鲜的歌曲。而恰好，这些歌曲还很讨人喜欢。
「每周发现」（Discovery Weekly）是 Spotify 在 2015 年 7 月的王牌栏目。每周一，Spotiy 就会向用户推送 30 首完全没听过的歌曲。同时，它又总能带来非常好的用户体验。截至 2020 年 6 月 25 日，每周发现总共被播放了 23 亿小时，约合 26.65 万年，比人类文明存在的时间还长。
Spotify 是怎么做到这一切的？当然还是算法。
Spotify 主要使用了三种推荐机制——协同过滤算法（Collaborative Filtering Model）、卷积神经网络（Convolutional Neural Networks）和自然语言分析（Natural Language Processing）。
Netflix 是最早使用协同过滤算法来推荐内容的平台。在 Netflix 大获成功之后，这种算法就变得越来越流行。简单来说，它会根据用户之间的相似性而不是内容的相似性来推荐新事物。
对 Spotify 来说，摆在它面前的是一个巨大的数据库，里面装满了用户听过内容的历史。协同过滤算法会根据用户 A 听过的歌曲，找到也喜欢这些歌的另一个用户 B，然后向 A 推送只有 B 听过的歌曲。

文章插图
「同喜 QRS，则尝试一下 P 和 T」｜Erik Bernhardsson，前 Spotify 员工
但协同过滤算法的一大缺点是所谓的「冷启动」问题，只有掌握足够多的数据，协同过滤算法才能起作用。如果用户是一个还没有听过多少歌的新用户，或者内容库里有一首非常冷门歌曲，协同过滤算法就无法精准匹配。
这就引入了另一种算法——自然语言处理。Word2Vec 常被用在自然语言处理中，它可以将我们日常的对话编码成数学关系——向量。
Spotify 做了和 Word2Vec 相似的工作。它会抓取网络上描述音乐、歌曲或者歌手的词语，通过算法分配给它们不同的权重。这个权重，很大程度上代表了人们用这个词来描述音乐的概率。通过自然语言处理，Spotify 就能确定那两首歌彼此是相似的，从而解决冷启动问题。即使是冷门的歌曲或歌手，也能得到推荐。
Spotify 的第三种方式是卷积神经网。
在前两种算法的帮助下，Spotify 已经获得了足够多的数据，但卷积神经网络可以进一步提高了音乐推荐的准确性。
卷积神经网络会分析歌曲的特征，包括拍子、音调、模式、节奏、响度等。通过阅读这些歌曲的特征，Spotify 就可以根据用户的收听历史了解它们之间的相似性，匹配用户的喜好。

文章插图
Daft Punk 的歌曲「环游世界」的数据分析图｜The Echo Nest
正是通过这三种算法，Spotify 像魔法一般猜准了用户的喜好，打造出了千人千面的 Discover Weekly。

稿源：(极客公园)

【傻大方】网址：/a/2021/0608/1623160351.html

标题：spotify|年轻人都在「反算法」，没想到它先站出来了