踩点音乐探盘，心水的音乐哪里找
踩点音乐探盘，心水的音乐哪里找2）根据用户消费行为推测偏好业内的主要做法就是新用户/沉默用户登录时提供兴趣收集功能，通过各大分类选项引导其选择偏好类别（如下图），但此路径强依赖于用户主动选择且是用户当前偏好的一个即时表达，存在着使用渗透率低、选择偏好置信度不足等问题，更多的是冷启阶段内容展现所用，很难完全做为推荐的主要依据。接下来我们一一展开分析：发掘用户兴趣路径主要有用户主动表达和被动表达的两大类，主动表达兴趣偏好更多的是兴趣收集的形式依托功能实现，而被动表达更多的是通过分析用户站内消费行为计算所得，具体来看：1）用户主动表达兴趣偏好
编辑导语：歌曲千千万，你的听歌APP是如何猜中你的喜好的？这就需要拆解听歌APP们的音乐推荐逻辑了。本篇文章里，作者结合现有的音乐APP，对音乐推荐逻辑进行了拆分和总结，一起来看看吧。
自2000年互联网音乐电台Pandora推出的“音乐基因组计划”开始，根据算法推荐用户喜欢的歌曲经过20多年的历练已然成为了在线音乐的行业标配，但自始至终如何更高效精准地发现用户兴趣、挖掘潜在兴趣，并充分满足是算法推歌最主要的命题。
本篇文章将尝试拆解现有音乐推荐基本逻辑，并通过各大APP实例分析拆解现有功能策略设计。
一、音乐推荐逻辑拆解从用户角度来看，用户对于个性化推歌的诉求主要为可以不费力地找到喜欢听的、新鲜的歌曲，所以对于个性化推歌来讲，该诉求可以简化拆解成三大部分进行满足，即：
- 如何发掘用户的偏好兴趣；
- 如何识别理解音乐内容；
- 如何匹配兴趣满足用户需求。
接下来我们一一展开分析：
1. 如何发掘用户的偏好兴趣
发掘用户兴趣路径主要有用户主动表达和被动表达的两大类，主动表达兴趣偏好更多的是兴趣收集的形式依托功能实现，而被动表达更多的是通过分析用户站内消费行为计算所得，具体来看：
1）用户主动表达兴趣偏好
业内的主要做法就是新用户/沉默用户登录时提供兴趣收集功能，通过各大分类选项引导其选择偏好类别（如下图），但此路径强依赖于用户主动选择且是用户当前偏好的一个即时表达，存在着使用渗透率低、选择偏好置信度不足等问题，更多的是冷启阶段内容展现所用，很难完全做为推荐的主要依据。
2）根据用户消费行为推测偏好
与用户主动表达兴趣偏好不同的是，根据用户消费行为推测偏好则是以果溯因，其置信程度相对更高，是发掘用户兴趣偏好的主要依据。细分来看可以通过引入外部消费信号和根据站内消费行为来综合考量。
① 引入外部消费信号
外部信号的引入能够对用户画像起到补充作用，圈定用户特征来推测同类用户特征兴趣偏好，但因为粒度较粗个性化细分行为较少所以更多的是用于用户冷启阶段。
比如说在很早以前可以通过某些渠道拿到applist，通过分析应用类型特征就可以基本断定大体判断用户社会身份及类似偏好，进而用于用户模型推测兴趣偏好。
另外一种常见的方式即企业自家APP部分互联互通，通过读取与之相关的消费信号就更容易判断其潜在兴趣点，比如说youtube为youtube music提供了用户音乐相关的内容顶踩信息，以提供了大量的推荐依据信息，当然与之而来两者之间耦合数据相互污染的问题一直是大众期望优化的地方。
② 站内消费行为的考量
当用户开始积累站内的消费行为时，通过站内消费行为来进行推荐优化则是更为重要的途径。
除了各场景通用的赞转评收藏等深度消费行为能够明确推测用户偏好外，其他特定场景通过功能设计收集用户轻量级表达偏好是体现产品设计巧思之处，本文第二模块将通过实例分析详细展开分析。
2. 如何识别理解音乐内容
正如人在找歌的时候关注音乐流派、歌手、歌曲曲调从而做出是否喜欢的判断一样，匹配用户兴趣的第一步是让算法从多维度充分提取音乐内容特征，这也就是业界常说的内容理解。
简化来说内容理解从是否能可被解释分为显性标签识别、隐式内容向量识别两种。
1）显性标签提炼
显性标签顾名思义即人工亦可识别出的标签内容，除了如音乐流派、歌手等歌曲固定属性的标签之外，还包含如歌曲关键词等经用户共创的非结构化标签，比如音乐龙头老大spotify就曾利用网络爬虫及NLP技术从用户评论中提炼每首歌曲被提及时常用的形容表达、句子、名词等“关键词”，并给这些关键词设定不同的权重，从而量化在人们眼中哪些歌曲是相似的。
当然这种非结构化标签获取方式有一定的局限性，一方面显性标签覆盖的歌曲特征有限、粒度较粗；另一方面，对于新歌或者冷门小众的歌曲来讲，用户评论热度和数量较少，那么NLP很难起到很好的效果，基于此隐式内容向量识别应运而生。
2）隐式内容向量识别
从用户主观角度来讲，各种形态特性的音乐事实上是极其影响用户偏好的，比如说同为一首歌抒情版本和加了重金属的remix版本所面向的受众是极为不同的，所以如何拆解计算声音数据信息以获得隐式内容向量是音乐推荐极为重要的一部分。
比如说音乐软件joox采取的策略就将音乐的音频信号转化为频谱，然后通过CNN（卷积神经网络）做图片分类(样例见下图)来代表这个音乐的音色信息，用于推荐信息学习。
注：内容理解不仅包含上述特征提取还有内容质量、内容时效等内容维度基础信息的构建，展开来讲不免赘述很多，故本文暂且隐去不谈。
3. 如何匹配兴趣满足用户需求
那在打好用户理解和内容理解的基础上，推荐策略就可以开始发挥作用了，推荐算法虽然发展日新月异但万变不离其宗的是通过计算与用户已有/潜在兴趣内容的相似程度，预估其感兴趣的程度，综合考虑用户及业务诉求进而来召回排序展现给用户。
关于推荐策略相关的拆解文章和书籍很多，有兴趣的同学可以看下《推荐算法》等书籍，在此就不过多一一展开了~
由此之上我们可以简练总结出音乐推荐各模块的作用及对应的策略逻辑：
二、实例分析
那接下来通过体验测试逆向拆解，具体分析下网易云音乐、汽水音乐、QQ音乐的音乐推荐流是如何通过功能和策略设计来满足用户找歌听歌的推荐诉求。
注：为了衡量用户体验，笔者从自身体验视角评估了各APP音乐推荐的效果，并从准确性、及时性、多样性角度分别讨论了各自的优缺点，但各APP的活跃程度不同可能会影响到一定的评估置信度，在此仅做参考。
从上述分析我们可以看到，各家基础功能具备的情况下，根据各自功能定位做了一定的差异化功能，举一个比较明显的例子，各家对于播放list设计思路围绕着各自的定位而有所不同。
我们会发现网易云取消了播放list并且仅支持回退一首歌曲，结合私人FM功能定位我们可以推测这样的限制设计主要是为了教育用户珍惜当前的选择机会，即时明确表达自己的偏好从而“调教”系统更快更好地了解自己，当然这样的设计可以一定程度上减少非VIP用户循环听VIP歌曲的机会，也有可能是结合商业变现方面的综合考量。
而两家基于用户能在推荐流里面找到自己喜欢的歌曲并且能够当场消费的逻辑，提供了播放list并且提供了删除歌曲和歌曲调序等独有功能。也能够带来更多用户对推荐结果的轻量级表达，也能够辅助推荐系统推荐更加精准。
三、结语虽然通过上述拆解我们会看到算法有成熟的方法逻辑能够更方便用户满足音乐寻找及音乐消费的诉求，但也被大众诟病存在着内容茧房等诸多问题，如何探索满足用户的潜在需求、成长性需求也是现在各类内容推荐面临的一个重要课题。
针对这个问题如何破解，下篇文章和大家一起分析下~
作者：墩墩冲冲冲，Wow小鱼呀
本文由 @墩墩冲冲冲 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议
