网易云音乐种推荐维度和种推荐算法漫谈

　　网易云音乐在我看来在各方面都是较为出色的音乐APP，网上也有各种体验报告、产品分析，但都比较偏向交互和前端。所以，我决定对其靠后端大功能推荐音乐和算法稍作一些探讨。也是因为个人喜好问题，包括我做PD的时候，也喜欢接一些靠后端的项目，所以本文也不太涉及到界面交互方面的东西。
　　网易云音乐希望面向的受众为85后到90后的年轻听众，且分布于经济发达地区。这类人对新生事物的学习和消费需求较为高涨，也是网易云音乐为何直接将发现音乐置于ToolBar第一位，且大力投入的原因。
　　在我看来，网易云音乐使用了3个维度向人们推荐音乐：朋友推荐、人工推荐、智能推荐。
　　朋友推荐
　　在这三种推荐维度中，先来简单说说朋友推荐。这个功能虽然目前还没有特别火，但并不能否定朋友推荐是网易云音乐在音乐APP领域里最大的前沿性尝试，如果真的做起来了，威力不可小觑。我想，这也许是微信要封杀网易云音乐的正真原因。众所周知，让自己的朋友知道自己的品味，甚至得到认可，给予人的成就感激励是巨大的，这也是腾讯没有想到的，所以QQ音乐也立刻在社交方面奋起直追，不过目前仍让人觉得属于仓促之作，期待之后的发力。
　　人工推荐
　　而人工推荐则是网易音乐编辑人员人工推荐的歌单和电台。人工推荐在网易云音乐中，仍然占着较为主导的作用。原因很简单，私人艺术偏好属于非常感性的问题，有些事情没有专业编辑做推荐确实会略显单调。也许大数据时代是来了，但在人类较感性的问题上，计算机也许还没有什么太好的办法。但人工推荐仍有瓶颈，因为编辑这个职业的工作导向，必然导致推荐的歌单非常的大众化，满足的是大部分人，而偏小众品味的用户，则就需要智能推荐来支撑了。
　　智能推荐
　　纯算法的智能推荐，我们并不能说它是一个伪需求，豆瓣FM的出现，证明了依托大数据的智能推荐方式并非没有市场。这也是为什么从那以后，类猜你喜欢功能也逐渐在各种音乐APP中出现。
　　而推荐的算法方面，目前主流的有两种方式，一种是以豆瓣FM为代表的以人为本方式，一种是以虾米歌曲漫游为代表的以歌为本方式。两种算法拥有互补性，网易云音乐自然也都用在了APP里：以人为本算法在个性化推荐的私人FM和每日歌曲推荐中展现，以歌为本算法在个性化推荐的其余歌单中展现。
　　这两种算法也各有优缺点，而网易云音乐则聪明地避开了几乎所有缺点。我们先来梳理一下这两种算法及他们的优缺点：
　　以人为本算法
　　以人为本最早的应用场景来自于亚马逊的购物推荐，也就是俗称的喜欢这个商品的人，也喜欢XX。后来，这个算法被豆瓣FM拿来，用在了音乐推荐上。
　　那么，这个算法到底是怎样的呢？举个非常简单的例子：
　　A喜欢x，y，z三首歌。
　　B喜欢x，y。那么我可以推断，B一定也喜欢z这首歌。
　　当然，这也是最为简单的情况了。
　　还有非常多的case，比如喜欢如何定义？用户不喜欢怎么办？
　　也许喜欢下的用户行为包括：点击喜欢、评论、下载、收藏到歌单、点击相似推荐、分享、查看MV、听这首歌的频率、是否播放整曲等。
　　而不喜欢的用户行为有可能包括：5秒内切换、扔进垃圾桶、移出歌单、删除等。
　　在维度特别多的情况下，我们就需要对用户的每个行为引入权重机制。
　　以人为本的好处是非常明显的，这种算法不需要特别大的人力成本，只需要写好一个基础算法，并不停优化就可以了。而缺点显而易见：
　　第一个缺点是用户在使用初期会碰到的情况，在用户刚来的时候，对于算法来说用户是一张白纸，那么算法首先会给他一些大部分人喜欢的歌曲，因为这些歌曲喜欢的几率大于其他，但恰巧此用户的品味较为奇葩，左试右试没有匹配到，那么这个用户也许会陷入烦躁，甚至流失。
　　第二个缺点是用户在使用较久之后会碰到的情况，听到的歌曲风格越来越极度的同质化，就拿我本人来举一个极端的例子，我的品味比较奇怪，又喜欢民谣，又喜欢金属核。那么在算法知道了我喜欢民谣了以后，给我推荐了海量的民谣，我也一一点击了喜欢，然后我会在风格方面越来越专一。致使我永远无法听到我喜欢的金属核。这种情况在豆瓣FM中尤为明显。
　　第三个缺点是对一个人的品味转移响应速度较慢。再举个极端的例子，比如我初中的时候还喜欢蔡依林，高一的时候忽然爱上了工业金属。而积累了海量类蔡依林歌曲曲库的我，在登录后一定会不知所措，也同样会造成我烦躁地一遍一遍的切换着歌曲。
　　依托于网易云音乐现有的歌曲搜索和收藏功能，以人为本的前2个缺点被网易云音乐轻松克服。
　　至于第三个缺点如何克服呢？我们从生成机制上可以看出，个性化推荐下的私人FM和每日歌曲推荐的这两个歌单的做法略显不同，私人FM和豆瓣FM的工作原理几乎一致，是在用户切换歌曲的一瞬间，通过用户的听歌历史来决定播放的歌曲，所以在私人FM下，无法切换回上一首。
　　而每日歌曲推荐里有一句文案暴露了实现方法，根据你的音乐口味生成，每天6：00更新。这说明这个歌单的工作方法，一定是每天在后台数据库通过用户最新的歌曲喜好和相应公式，来生成歌单。并在每天早上的6点放到线上数据库中，呈现给用户看。这种实现方法，也就避免了以人为本的第三点缺点个人品味转移响应速度较慢这个缺点。
　　以歌为本算法
　　我们再来看以虾米歌曲漫游为代表的以歌为本的推荐方式。这种算法是将每首歌曲打上Tag：
　　歌曲A拥有Tag：X，Y
　　歌曲B拥有Tag：Y，Z
　　你喜欢歌曲A，因为他有TagY，所以也许你也会喜欢歌曲B。
　　以歌为本这种算法的优点是避免了以人为本几乎所有的缺点。但是缺点也同样凸显：
　　第一个缺点是歌曲推荐同质化较为严重，这也是我经常在虾米使用歌曲漫游时碰到的情况，我喜欢同一风格的两首歌，那么，在分别漫游这两首歌的时候，生成的歌单几乎是一模一样的。
　　第二个缺点是工作量非常巨大，这个世界上所有的歌曲有3500万首，虽然大多数人听的歌都集中在一起，但既然使用了这种算法，你不得不得考虑到小众品味用户的需求。
　　而网易云音乐对以歌为本的算法缺点克服，则做的更为聪明，也非常具有前沿性。
　　对第一个缺点，也就是歌曲推荐重复情况，网易云音乐的做法是：不像虾米一样在歌曲这个维度上进行推荐，转而全部使用歌单这个歌曲集合进行推荐，大大增加了容错率。这种聪明做法也立刻被其他音乐APP竞相模仿。
　　对于第二个缺点，也就是打Tag的工作量巨大问题。网易云音乐也有自己的解决方法：在用户建立歌单时，网易云音乐会让用户自己给自己的歌单打Tag，不得超过3个，且禁止自建Tag，这两个限制也可能暴露了这套机制的实现方法。我认为歌单上的3个Tag会被分配到歌单下的每首歌上，而一首歌经常会被不同的用户分配到不同的歌单中，那么剩下的事情就变得简单了，只要取在这首歌上被分配得最多的几个Tag来参与算法即可。所以我们可以看到个性化推荐下，网易云音乐可以通过歌单和歌曲两个纬度来给我们推荐歌曲。这么做不但减轻了工作量，也使歌曲Tag更科学，更具时效性。
　　其他优化建议
　　这么看来，网易云音乐确实在算法上下足了功夫。是否还有地方值得优化？
　　我抛砖引玉一下，先说第一点，也是我经常碰到的烦恼问题，我想大家也一定碰到过。当使用任何一款音乐APP一段时间后，我喜欢的音乐里一定塞了上百首上千首风格各异的歌曲，有一天我走在街上，使用随机播放功能播放我喜欢的音乐歌单，此时心情是安静的，非常想听一些安静的曲子，但是事与愿违。我不停的切歌，却总是找不到自己想听的歌曲，于是将手机从口袋中掏出，找了半天终于找到了那首我最想听的歌曲，播放完全曲后，没想到随机跳到的下一首歌又是我不想听的暴躁歌曲，不停切换后仍然如此。那么也许此时我的心情便没有刚开始时安静了。我推荐的做法是，在大型歌单中，随机播放模式下，使用以歌为本算法，当用户显露出明显的对某些Tag的歌曲表现出不喜欢时，短时间内不再播放这些Tag的歌曲。而对于听完全曲的歌曲，可以把这首歌的类似歌曲，大大提高随机播放到的几率。不过这实现起来可能会比较困难，因为需要把算法和Tag从服务端下载到本地才能实现，但也许还有别的实现方法我没想到。
　　第二个需要优化的地方相信大家也会碰到，在较大歌单中，我们经常保有一些已经老掉牙早已听腻的歌曲，只是忘记删除，但总是会被随机播放出来，对于这种歌一般都会被立即切换。我们是否能在这一点上进行优化？比如，当网易云音乐发现一首歌已经到达相当的重复播放次数（具体次数可从大数据中分析），并在最后几次播放中被快速切换，就减少随机到该歌曲的几率。也许就可以解决这个问题。
　　归根结底，对用户体验的追求是永无止尽的，我相信网易云音乐仍然会在用户体验上继续下足功夫，让我们拭目以待吧。