当前位置：正文

明星动态与内幕分析 机器学习怎么发现你心爱的音乐：音乐个性化推选背后的科学旨趣

本周一，正如其它每个周一，一亿多 Spotify 用户每东说念主齐收到了一个清新的歌单。这个叫作念每周发现的歌单内混杂了用户从未听过关联词可能会心爱的 30首歌曲。成果号称神奇。

我我方是 Spotify 的超等粉丝，对每周发现尤其嗜好。为什么呢？因为我以为它懂我。它比我性射中的任何东说念主齐更显然我的音乐试吃。我很欢笑每周它齐能知足我的需求，一如既往地推选一些我我方永远齐不会找到或知说念会心爱的歌曲。

关于那些两耳不闻窗外事的东说念主们，请允许我先容一下我的造谣好友：

[图片说明: 我的 Spotify 每周发现歌单]

没念念到，在这方面我不是一个东说念主，不光是我对每周发现如斯陶醉 – 所有用户群体齐趋之若鹜。这股高涨使得 Spotify 再行调遣了它的要点，并在基于算法的歌单上参加了更多的资源。

Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进程几乎局促不安，熟习到就像一个也曾与我有过一说念濒死体验的前女友一样。

Amanda Whitbred: 刻下 @Spotify 的每周发现对我照旧了解到如果它刻下求婚，我也会说容许的地步了。

自「每周发现」在 2015 年第一次上线以来，我就伏击念念知说念它是怎么运作的（而且由于我是 Spotify 公司的迷妹，我心爱假装在那儿责任并斟酌他们的家具）。 经过三周的豪恣Google，我终于满怀感德地赢得了一些幕后的常识。

是以 Spotify 到底是怎么告捷作念到给每东说念主每周挑选 30 首歌曲的？咱们先来仔细看下其它的音乐职业是怎么作念音乐推选，以及 Spotify 是怎么更胜一筹的。

在线音乐甄选职业简史

早在千禧年之初，Songza 就运应用用手动甄选为用户提供歌单。手动甄选的兴味即是所谓的音乐大家或者其他裁剪会手动挑选一些他们我方认为可以的音乐作念成歌单，然后听众可以径直拿来听。（稍后，Beats 音乐也选择了相同的战术）。手动甄选成果尚可，关联词由于这种门径仅仅纯手工挑选，相貌门径也比拟肤浅，它并不行关心到每个听众音乐试吃的玄机各异。

跟 Songza 一样， Pandora 亦然音乐甄选职业规模的早期玩家之一。它使用了一个略为更高等的门径来代替给歌曲属性手工打标签。即民众在听音乐的时候，对每首歌曲挑选一些描述性的词语来算作标签。进而，Pandora 的设施可以径直过滤特定的标签来生成包含相似歌曲的歌单。

差未几团结时辰，一个附庸于麻省理工学院媒体实验室的名叫 The Echo Nest 的音乐信息机构，选择了一个十足不同的高等战术来定制音乐。The Echo Nest 使用算法来分析音频和音乐的文本内容，以完成音乐识别，个性化推选，歌单创建和分析等。

终末，是 Last.fm 匠心独具，选择了另一个沿用于今的战术。那即是利用协同过滤来识别用户可能心爱的音乐。稍后本文会伸开估量更多这方面的内容。

是以说既然其他的音乐甄选职业齐终明晰推选功能，Spotify 究竟是怎么操作我方的神奇引擎，来终了甩出竞争敌手几条街的用户试吃默契度的呢？

Spotify 的三种推选模子

事实上 Spotify 并莫得使用什么单一的翻新性推选模子，而是混杂了一些其他公司使用的最好的战术来创建他们我方唯一无二的强劲发现引擎。

Spotify 使用三种主要的推选模子来创建每周发现：

咱们来具体看下这些推选模子是怎么责任的！

推选模子之一：协同过滤

领先先容下配景：当好多东说念主听到协同过滤这几个词的时候，他们会坐窝联念念到 Netflix，因为它是第一个利用协同过滤来终了推选模子的公司之一。其作念法主若是使用用户提交的电影星级来蓄意推选那些电影给其他肖似的用户。

自 Netflix 将其告捷应用以来，协同过滤运行快速流传开来。刻下无论是谁念念终了一个推选模子的话，一般齐会拿它算作首次尝试。

与Netflix不同的是，Spotify 并莫得用户对他们音乐的星级评价数据。Spotify 所用的数据是隐形响应的，具体来说即是咱们在线听歌的歌曲次数，以过甚他稀奇信息，诸如用户是否保存歌曲到个东说念主歌单，或者听完歌曲后是否接着造访艺术家主页等。

但什么是协同过滤，到底它是怎么责任的呢？底下用一段轻便对话来作念一个节略的先容。

啥情况? 正本这俩东说念主内部每东说念主齐有我方的一些歌曲偏好 – 左边的东说念主心爱歌曲 P, Q, R 和 S; 右边的东说念主心爱 Q, R, S 和 T。

协同过滤系统进而利用这些数据得出论断，

“嗯。既然你俩齐心爱调换的歌曲 – Q，R 和 S – 那么你们可能是肖似的用户。是以你们应该会心爱另一个东说念主听过关联词你还莫得听过的歌曲。”

系统然后忽视右边的东说念主去体验下歌曲 P，以及左边的东说念主去体验下歌曲 T。听起来够肤浅吧？

关联词 Spotify 具体是怎么具体应用这个观点，来蓄意基于百万级的用户偏好从而得出数以百万计的用户歌曲推选呢？

…矩阵运算，用 Python 库即可终了

本质中，此处说起的矩阵是极其重大的。每行齐代表了 Spotify 的一亿四千万用户中的一员（如果你也用 Spotify，那么你亦然这个矩阵中的一转），而每一列则代表了 Spotify 数据库中三亿首歌曲中的一首。

然后，Python 库就运行跑这个漫长而复杂的矩阵瓦解公式：

蓄意完成后，系统会生成两种类型的向量，在此分别定名为 X 和 Y。X 为用户向量，代表单个用户的音乐试吃。Y 则为歌曲向量，代表单支歌曲的特征。

刻下咱们得到了一亿四千万个用户向量，每东说念主一个，还有三亿歌曲向量。这些向量的具体内容仅仅一些单独拎出来自身并无兴味兴味的数字，关联词在背面进行比拟时会卓著有用。

为了找到那些跟我相似试吃的用户，协同过滤系统会拿我的向量跟其他用户的向量作比拟，最终会找到那些跟我最相似的用户。关于 Y 向量，亦然相同的经由 – 你可以拿一首歌的向量与其他的歌曲向量作念比拟，进而找出哪些歌曲是跟你刻下正在看的歌曲最相似。

协同过滤如实成果可以，关联词 Spotify 深知再添加另外一个引擎的话成果会更出色。这就到了天然谈话处置出场的时候了。

推选模子之二：天然谈话处置

Spotify 选择的第二个推选模子即是天然谈话处置。这些模子的源数据，正如名字所示，即是一些闲居的谈话笔墨 – 举例歌曲的元数据，新闻著作，博客，和互联网上的其它文本等。

天然谈话处置 – 蓄意机贯通东说念主类谈话的能力 – 本人即是一个巨大的规模，平凡通过样子分析应用编程接口（API）来进行操作处置。

天然谈话处置背后的具体旨趣超出了本文的估量限制，关联词在此本文可以提供一些省略的描述：Spotify 会在网上不竭爬取博客帖子以过甚它音乐关联的文本，并找出东说念主们对特定的艺术家和歌曲的挑剔 – 比如说东说念主们对这些歌曲常常使用哪些形容词媾和话, 以及哪些其他艺术家和歌曲也会和它们放在一说念估量。

固然我不知说念 Spotify 怎么处置他们握取的数据，关联词我可以先容下 The Echo Nest 是怎么使用它们的。他们会把数据分类成“文化向量”和“最好考语集”。每个艺术家和歌曲齐罕有以千计的逐日更新的最好考语集。每个考语齐有一个关联的权重，来示意其描述的紧要性（肤浅说即是某东说念主可能会用该考语描述某个音乐的概率）。

[ “Cultural vectors”, or “top terms”, as used by the Echo Nest. Table from Brian Whitman]

然后，与协同过滤肖似，天然谈话处置模子用这些考语和权重来创建一个歌曲的抒发向量，可以用来详情两首音乐是否相似。很酷吧？

推选模子之三：原始音频模子

领先，你可能会问这个问题：

关联词，Sophia，咱们照旧从前两种模子中赢得了这样多数据！为什么还要链接分析音频本人呢？

额，领先要说的是，引入第三个模子会进一步莳植这个照旧很优秀的推选职业的准确性。但本色上，选择这个模子还有另外一个次要标的：原始音频模子会把新歌接洽进来。

比如说，你的创作歌手一又友在 Spotify 上刚放上了一首新歌。可能它唯有 50 次听歌记载，是以很少能有其他听众来一说念协同过滤它。与此同期，它也在网上也莫得留住若干萍踪，是以天然谈话处置模子也不会防备到它。运道的是，原始音频模子并不辞别新歌曲和热点歌曲。是以有了它的赞理，你一又友的歌曲也可以和流行歌曲一说念出刻下每周发现的歌单内部。

好了，到了“怎么”的部分了。咱们怎么才能分析这些看起来如斯概括的原始音频数据呢？

…用卷积神经汇聚！

卷积神经汇聚相同亦然维持面部识别的技艺。只不外在 Spotify 的案例中，他们被稍作修改以基于音频数据处置而不是像素点。底下是一个神经汇聚架构的例子：

[Image credit: Sander Dieleman]

这个特定的神经汇聚有四个卷积层，具体为图中左侧的宽柱，和右边的稍稍窄些的三根柱。输入是音频帧的时频示意，进而流畅起来酿成频谱图。

音频帧会穿过这些卷积层，经过终末一个卷积层，你可以看到一个“全局临时池”层。该层在所有时辰轴上网罗数据，并灵验蓄意和统计歌曲时长内的学习特征。

处置完之后，神经汇聚会得出其对歌曲的贯通，包括预计的时辰签名，调子，调式，球拍及音量等特征。底下即是 Draft Punk 的 “Around the World” 30 秒片断的数据图。

[Image Credit: Tristan Jehan & David DesRoches (The Echo Nest)]

最终，对这些对歌曲要道特征的贯通可以让 Spotify 来决定歌曲之间的相似度，以及把柄用户听歌历史来判断哪些用户可能会心爱它们。

这些基本涵盖了为每周发现提供维持的推选功课经由所依赖的三种主要模子。

[ Cassandra instances]

天然了，这些推选模子也和 Spotify 其它更大的生态系统流畅在一说念，其中包括利用海量的数据存储以及卓著多的 Hadoop 集群来作念推选职业的彭胀，使得引擎得以蓄意巨型矩阵，用之不停的互联网音乐著作和无数的音频文献。

我但愿本文可以对你有所启发，况兼像其时它对我一样概况激起你的敬爱。怀着对幕后的机器学习技艺的了解和谢意之情，刻下我将通过我我方的每周发现来寻找我心爱的音乐。