編輯導語：歌曲千千萬，你的聽歌APP是如何猜中你的喜好的？這就需要拆解聽歌APP們的音樂推薦邏輯了。本篇文章裡，作者結合現有的音樂APP，對音樂推薦邏輯進行了拆分和總結，一起來看看吧。

自2000年互聯網音樂電台Pandora推出的“音樂基因組計劃”開始，根據算法推薦用戶喜歡的歌曲經過20多年的曆練已然成為了在線音樂的行業标配，但自始至終如何更高效精準地發現用戶興趣、挖掘潛在興趣，并充分滿足是算法推歌最主要的命題。

本篇文章将嘗試拆解現有音樂推薦基本邏輯，并通過各大APP實例分析拆解現有功能策略設計。

一、音樂推薦邏輯拆解

從用戶角度來看，用戶對于個性化推歌的訴求主要為可以不費力地找到喜歡聽的、新鮮的歌曲，所以對于個性化推歌來講，該訴求可以簡化拆解成三大部分進行滿足，即：

1. 如何發掘用戶的偏好興趣；
2. 如何識别理解音樂内容；
3. 如何匹配興趣滿足用戶需求。

接下來我們一一展開分析：

1. 如何發掘用戶的偏好興趣

發掘用戶興趣路徑主要有用戶主動表達和被動表達的兩大類，主動表達興趣偏好更多的是興趣收集的形式依托功能實現，而被動表達更多的是通過分析用戶站内消費行為計算所得，具體來看：

1）用戶主動表達興趣偏好

業内的主要做法就是新用戶/沉默用戶登錄時提供興趣收集功能，通過各大分類選項引導其選擇偏好類别（如下圖），但此路徑強依賴于用戶主動選擇且是用戶當前偏好的一個即時表達，存在着使用滲透率低、選擇偏好置信度不足等問題，更多的是冷啟階段内容展現所用，很難完全做為推薦的主要依據。

2）根據用戶消費行為推測偏好

與用戶主動表達興趣偏好不同的是，根據用戶消費行為推測偏好則是以果溯因，其置信程度相對更高，是發掘用戶興趣偏好的主要依據。細分來看可以通過引入外部消費信号和根據站内消費行為來綜合考量。

① 引入外部消費信号

外部信号的引入能夠對用戶畫像起到補充作用，圈定用戶特征來推測同類用戶特征興趣偏好，但因為粒度較粗個性化細分行為較少所以更多的是用于用戶冷啟階段。

比如說在很早以前可以通過某些渠道拿到applist，通過分析應用類型特征就可以基本斷定大體判斷用戶社會身份及類似偏好，進而用于用戶模型推測興趣偏好。

另外一種常見的方式即企業自家APP部分互聯互通，通過讀取與之相關的消費信号就更容易判斷其潛在興趣點，比如說youtube為youtube music提供了用戶音樂相關的内容頂踩信息，以提供了大量的推薦依據信息，當然與之而來兩者之間耦合數據相互污染的問題一直是大衆期望優化的地方。

② 站内消費行為的考量

當用戶開始積累站内的消費行為時，通過站内消費行為來進行推薦優化則是更為重要的途徑。

除了各場景通用的贊轉評收藏等深度消費行為能夠明确推測用戶偏好外，其他特定場景通過功能設計收集用戶輕量級表達偏好是體現産品設計巧思之處，本文第二模塊将通過實例分析詳細展開分析。

2. 如何識别理解音樂内容

正如人在找歌的時候關注音樂流派、歌手、歌曲曲調從而做出是否喜歡的判斷一樣，匹配用戶興趣的第一步是讓算法從多維度充分提取音樂内容特征，這也就是業界常說的内容理解。

簡化來說内容理解從是否能可被解釋分為顯性标簽識别、隐式内容向量識别兩種。

1）顯性标簽提煉

顯性标簽顧名思義即人工亦可識别出的标簽内容，除了如音樂流派、歌手等歌曲固定屬性的标簽之外，還包含如歌曲關鍵詞等經用戶共創的非結構化标簽，比如音樂龍頭老大spotify就曾利用網絡爬蟲及NLP技術從用戶評論中提煉每首歌曲被提及時常用的形容表達、句子、名詞等“關鍵詞”，并給這些關鍵詞設定不同的權重，從而量化在人們眼中哪些歌曲是相似的。

當然這種非結構化标簽獲取方式有一定的局限性，一方面顯性标簽覆蓋的歌曲特征有限、粒度較粗；另一方面，對于新歌或者冷門小衆的歌曲來講，用戶評論熱度和數量較少，那麼NLP很難起到很好的效果，基于此隐式内容向量識别應運而生。

2）隐式内容向量識别

從用戶主觀角度來講，各種形态特性的音樂事實上是極其影響用戶偏好的，比如說同為一首歌抒情版本和加了重金屬的remix版本所面向的受衆是極為不同的，所以如何拆解計算聲音數據信息以獲得隐式内容向量是音樂推薦極為重要的一部分。

比如說音樂軟件joox采取的策略就将音樂的音頻信号轉化為頻譜，然後通過CNN（卷積神經網絡）做圖片分類(樣例見下圖)來代表這個音樂的音色信息，用于推薦信息學習。

注：内容理解不僅包含上述特征提取還有内容質量、内容時效等内容維度基礎信息的構建，展開來講不免贅述很多，故本文暫且隐去不談。

3. 如何匹配興趣滿足用戶需求

那在打好用戶理解和内容理解的基礎上，推薦策略就可以開始發揮作用了，推薦算法雖然發展日新月異但萬變不離其宗的是通過計算與用戶已有/潛在興趣内容的相似程度，預估其感興趣的程度，綜合考慮用戶及業務訴求進而來召回排序展現給用戶。

關于推薦策略相關的拆解文章和書籍很多，有興趣的同學可以看下《推薦算法》等書籍，在此就不過多一一展開了~

由此之上我們可以簡練總結出音樂推薦各模塊的作用及對應的策略邏輯：

二、實例分析

那接下來通過體驗測試逆向拆解，具體分析下網易雲音樂、汽水音樂、QQ音樂的音樂推薦流是如何通過功能和策略設計來滿足用戶找歌聽歌的推薦訴求。

注：為了衡量用戶體驗，筆者從自身體驗視角評估了各APP音樂推薦的效果，并從準确性、及時性、多樣性角度分别讨論了各自的優缺點，但各APP的活躍程度不同可能會影響到一定的評估置信度，在此僅做參考。

從上述分析我們可以看到，各家基礎功能具備的情況下，根據各自功能定位做了一定的差異化功能，舉一個比較明顯的例子，各家對于播放list設計思路圍繞着各自的定位而有所不同。

我們會發現網易雲取消了播放list并且僅支持回退一首歌曲，結合私人FM功能定位我們可以推測這樣的限制設計主要是為了教育用戶珍惜當前的選擇機會，即時明确表達自己的偏好從而“調教”系統更快更好地了解自己，當然這樣的設計可以一定程度上減少非VIP用戶循環聽VIP歌曲的機會，也有可能是結合商業變現方面的綜合考量。

而兩家基于用戶能在推薦流裡面找到自己喜歡的歌曲并且能夠當場消費的邏輯，提供了播放list并且提供了删除歌曲和歌曲調序等獨有功能。也能夠帶來更多用戶對推薦結果的輕量級表達，也能夠輔助推薦系統推薦更加精準。

三、結語

雖然通過上述拆解我們會看到算法有成熟的方法邏輯能夠更方便用戶滿足音樂尋找及音樂消費的訴求，但也被大衆诟病存在着内容繭房等諸多問題，如何探索滿足用戶的潛在需求、成長性需求也是現在各類内容推薦面臨的一個重要課題。

針對這個問題如何破解，下篇文章和大家一起分析下~

作者：墩墩沖沖沖，Wow小魚呀

本文由 @墩墩沖沖沖 原創發布于人人都是産品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部