歌曲的个性推荐

2016-11-14 10:21:00

网易云音乐有个核心功能是个性推荐，但这个功能有人爱有人恨，比如听歌看到评论说，用了网易云音乐后精通八国语言，听一次纯音乐连着几天都推送纯音乐。歌曲个性推荐这件事本质上是帮用户找到自己想要的歌，创造惊喜感。所谓惊喜感就是当人们碰到一些让自己感觉舒服、和谐、喜爱的不确定性或未知的事件时，自己内心所产生的一种感觉。（被动状态）

歌曲个性推荐惊喜感来自于两个方面：1.模糊未知 2.完全未知

模糊未知

（1）自己喜欢的风格跟过往听过的歌有很大的相似度，会感觉很舒服亲切

（2）曾在脑海里飘过，但无法通过回忆提供的线索寻找得到

完全未知

（1）同种风格听腻了，想换换其他的。

（2）从来没听过的风格但听了感叹世上居然还有这种音乐存在，然后从完全未知过渡到模糊未知。

音乐个性推荐主要在解决模糊未知需求，主要通过两种算法（参考知乎的回答）：

一. 协同过滤算法

基于用户的协同过滤算法：

这种算法最大的问题如何判断并量化两人的相似性，思路是这样

例子：有3首歌放在那里，《最炫民族风》，《晴天》，《Hero》。

A君，收藏了《最炫民族风》，而遇到《晴天》，《Hero》则总是跳过；

B君，经常单曲循环《最炫民族风》，《晴天》会播放完，《Hero》则拉黑了

C君，拉黑了《最炫民族风》，而《晴天》《Hero》都收藏了。

我们都看出来了，A,B二位品味接近，C和他们很不一样。

那么问题来了，说A，B相似，到底有多相似，如何量化？

我们把三首歌想象成三维空间的三个维度，《最炫民族风》是x轴，《晴天》是y轴，《Hero》是z轴，对每首歌的喜欢程度即该维度上的坐标，并且对喜欢程度做量化(比如：单曲循环=5,下载=4,收藏=3,主动播放=2 ,听完=1,跳过=-1 ,拉黑=-5 )。那么每个人的总体口味就是一个向量，A君是(3,-1,-1)，B君是(5,1,-5)，C君是(-5,3,3)。

我们可以用向量夹角的余弦值来表示两个向量的相似程度，0度角(表示两人完全一致)的余弦是1，180%角(表示两人截然相反)的余弦是-1。

根据余弦公式,夹角余弦=向量点积/ (向量长度的叉积)= ( x1x2 + y1y2 + z1z2) / (跟号(x1平方+y1平方+z1平方) x跟号(x2平方+y2平方+z2平方) )

可见A君B君夹角的余弦是0.81，A君C君夹角的余弦是-0.97，公式诚不欺我也。以上是三维(三首歌)的情况，如法炮制N维N首歌的情况都是一样的。

这种算法，最核心的关键是要如何找到和我爱好相似的人。在实际操作中，如果全部计算N个人对N首歌的喜好程度，计算量太大。前面的过程中我们计算出了相似度，我们可以只取相似度大于0.9的K个人，然后用相似度X喜欢程度求和，这样我们就可以得到每首歌对于你来说的推荐度了，这大致上就是协同过滤算法的基础。

二．潜在因子算法

这种算法的思想是这样：每个用户（user）都有自己的偏好，比如A喜欢带有小清新的、吉他伴奏的、王菲等元素（latent factor），如果一首歌（item）带有这些元素，那么就将这首歌推荐给该用户，也就是用元素去连接用户和音乐。每个人对不同的元素偏好不同，而每首歌包含的元素也不一样。我们希望能找到这样两个矩阵：

一，用户-潜在因子矩阵Q，表示不同的用户对于不用元素的偏好程度，1代表很喜欢，0代表不喜欢。比如下面这样：

超级产品经理