AI 時代音樂 App 的個人推薦系統背後有著什麼樣的技術？本文將以 Spotify 為例為你作出解答。
每週一，超過一億 Spotify 使用者都會接收到等著他們的新版推薦歌單。其中包含了 30 首使用者從未聽過，但很可能會喜歡的音樂。這一功能被稱作 Discover Weekly，它引發了人們的熱議。
本文作者也是 Spotify 的重度使用者，對於 Discover Weekly 更是青睞有加。這一功能讓我感覺到神奇，它的音樂品位超過了我所認識的任何人。每個星期，它都會向我推薦最喜歡的新歌，找到那些我自己永遠無法找到——但喜歡的東西。
它長這個樣子：
我這個星期的 Discover Weekly 歌單。
事實證明，沉迷 Discover Weekly 的並不只是我一個人，現在 Spotify 已經開始轉變思路，試圖在基於演算法的歌曲推薦方面投入更大精力了。
自從 Discover Weekly 在 2015 年出現以來，我一直在試圖研究它背後的技術。它是如何每週為你選好 30 首符合口味的新歌的？首先，讓我們先來了解一下流媒體音樂服務和推薦系統，以及為什麼 Spotify 比它的競爭對手們做得更好。
線上音樂 App 發展簡史
回到 21 世紀初，Songza 開啟了線上音樂服務時代，那個時候，App 還是通過人工管理為使用者提供播放列表的。「人工管理」意味著存在一個「音樂專家」團隊或其他監管者在挑選歌曲編寫播放列表，而使用者拿到的歌單多少取決於個人喜好（後來，Beats Music 也使用了相同的策略）。手工編輯的歌單本身沒有問題，但它們很難符合每位使用者的音樂喜好。
和 Songza 一樣，Pandora 也是線上音樂服務的元老之一，它使用了稍稍先進一些的方法來代替手動編出的歌單——標記歌曲風格。通過讓聽完音樂的使用者為每首歌打上標籤，Pandora 可以簡單地通過篩選標籤的方式來製作播放列表。
與此同時，在著名的 MIT Media Lab 中，Echo Nest 誕生了，它是一個更為先進的個性化音樂推薦系統。Echo Nest 使用演算法分析歌曲的聲音和文字內容，這意味著它可以完成音樂識別、個性化推薦、建立歌單和分析等功能。
最後，Last.fm 又採用了另一種方法並一直沿用到了今天，這種被稱為「協同過濾」的方法與其他方法略有不同。
以上是大多數其他流媒體音樂服務採用的推薦形式，Spotify 神奇的推薦引擎似乎比其他方法更加準確，後者是如何做到的呢？
Spotify 的三種推薦模型
Spotify 其實並沒有發展出依靠單一演算法的推薦模型——它參考了其他服務採用的方法，並整合出了自己的最佳策略，構建了名為 Discovery 的引擎。
為了建立 Discovery Weekly 歌單，Spotify 主要使用了三種推薦系統：
- 協同過濾模型（與 Last.fm 使用的類似），通過分析你的行為和其他使用者的行為來工作。
- 自然語言處理（NLP）模型，通過分析文字來工作。
- 語音模型，通過分析原始音軌工作。
讓我們來深入瞭解一下這些推薦模式的運作方式吧。
推薦模型 #1：協同過濾
首先看看背景：當很多人都聽到「協同過濾」這個詞之後就會想起著名線上視訊網站 Netflix，因為這是第一家使用協同過濾驅動推薦引擎的公司之一，Netflix 使用使用者對於電影的打分類獲知人們對電影的喜好程度並向「類似」使用者進行推薦。
在 Netflix 成功之後，這種方法很快傳播開來，現在評星打分系統通常是所有推薦模型的基礎。
但與 Netflix 不同，Spotify 不會讓使用者為歌曲評星。取而代之的是，Spotify 的資料來自於隱式反饋——流媒體服務會記錄我們所聽的歌曲，同時留意其他一些資料，包括使用者是否將歌曲儲存在自己的歌單中，以及是否在聽完歌后訪問了藝術家的主頁等等。
但什麼是協同過濾？它是如何工作的？簡而言之，就像 Daft Punk 所演示的：
這裡面發生了什麼？兩個人都有一些自己喜歡的歌，左邊那位喜歡 P、Q、R 和 S，右邊那位喜歡 Q、R、S 和 T。
協同過濾使用以上資料我們可以這樣認為：
「看來你們都喜歡 Q、R 和 S，所以你們很可能是相同型別的使用者。所以你們應該聽聽對方喜歡——而自己沒聽過的那幾首歌。」
所以我們應該給 Thomas（左）推薦歌曲 P，給 Guy-Manuel（右）推薦歌曲 T，很簡單是不是。
但是把這個方法套用在 Spotify 上，實際上需要分析的是數百萬使用者的喜好，推薦的也是數百萬使用者的歌單，所以我們需要用上 Python 庫。
在這裡，你看到的矩陣是龐大的。每一行代表 Spotify 的 1.4 億使用者的一個（如果你是 Spotify 的使用者，你在裡面有自己的位置），每一列代表 Spotify 3000 萬歌曲庫裡的一首。
在矩陣交點處，當某使用者聽過一首歌后標記為 1，否則為 0。如果我聽了 Michael Jackson 的《Thriller》，那麼在我這行裡代表 Thriller 的位置會標記為 1。（注意：Spotify 已經在嘗試讓其中的數字更加複雜，不再僅限 1 和 0）
隨後我們得到了一個非常稀疏的矩陣——所有人聽過的歌都沒有未聽過的歌多，所以這個矩陣的大部分位置都會被「0」填充。但是，少量的「1」包含著決定性的資訊。
隨後，Python 庫會執行下面這個公式：
做一些複雜的數學運算……
當這項工作完成後，我們會得到兩種型別的向量，分別由 X 和 Y 來代表。X 是使用者向量，代表一個使用者的歌曲喜好，Y 是歌曲向量，代表一首歌的熱度。
使用者/歌曲矩陣產生兩種型別的向量：使用者向量和歌曲向量。
現在我們擁有了 1.4 億個使用者向量和 3000 萬歌曲向量了。它們本身只是一些數字，但我們可以使用它們來進行很多比較。為了使用這些資料找到與我相近的使用者，協同過濾使用點積比較了我的向量與所有其他使用者的向量。同樣的事情也發生在歌曲向量上，你可以用這種方法來找同型別的歌曲。
協同過濾是一個不錯的方法，不過 Spotify 還要做得更好。
推薦模型 #2：自然語言處理（NLP）
Spotify 採用的第二種推薦模型是自然語言處理（NLP）模型。顧名思義，這種模型的資料來源來自後設資料、新聞、部落格、評論和網路上能找到的其他各種文字。
自然語言處理是讓計算機理解人類語言含義的技術，在業界通常通過情緒分析 API 來實現，NLP 是人工智慧下的一個龐大領域。
NLP 背後的技術本文無法詳細解釋，但在此可以介紹一下高階層面上發生的事情：Spotify 會不斷瀏覽網頁，不斷尋找有關音樂的部落格和其他文字，然後試圖分析人們對於特定的藝術家和歌曲評價如何——對於這些歌曲，他們都用了哪些形容詞？在討論歌曲本身的同時，其他哪些藝術家和歌曲被同時提到了？
在這之中 Spotify 最長提到的就是「文化向量（cultural vector）」或「頂級敘述詞（top term）」了。每個藝人和每首歌曲都有數千個頂級敘述詞。每個詞都有相應的權重，權重則揭示了敘述詞的重要性。（大概是人們用這個詞形容這種音樂的概率）
「文化向量」或「頂級敘述詞」。表格來自 Brian Whitman
隨後，與協同過濾類似，NLP 模型會將這些敘述詞的權重生成向量，代表歌曲的屬性，同時比較出類似的歌曲。就是這樣。
推薦模型 #3：原始音訊模型
有了以上兩種分析方式，你可能會問這個問題：
我們為什麼還需要分析音訊本身呢？
首先，加入更多的模型可以再次提升推薦系統的準確性。不過事實上，這是引入第三種模型的次要目的：原始音訊模型主要用於處理新歌推薦任務。
舉個例子，你的音樂人朋友在 Spotify 上釋出了新歌——他/她可能只有 50 個聽眾——這意味著幾乎不會有人會對新歌進行協同過濾，由於作者不太知名，網路上也沒有人討論它，所以 NLP 模型也不會抓取到資訊。幸運的是，原始音訊模型不會關注新歌的出處，有了它的幫助，你朋友的新歌就會和流行歌曲一樣出現在不少人的 Discovery Weekly 上了！
所以，現在的問題是「how」——我們如何通過音訊來分析音樂的風格？這似乎是抽象的。
使用卷積神經網路！
卷積神經網路是面部識別系統經常會用到的技術。在 Spotify 上，它被用於處理音訊而不是畫素。下圖是一個神經網路架構的示例：
這個神經網路由四個卷積層，由圖中左側四個厚一些的矩形表示，三個緻密層，由圖中右側三個矩形表示。輸入資訊是以時間-頻率的形式表示的音訊幀，他們隨後被級聯形成了頻譜圖。
音訊幀通過這些卷積層，隨後在最後一個卷積層會遇到「全域性時域池化」層，它會對整個時間軸進行池化，可以有效地計算整首歌中學習到的特徵並進行統計。
所有這些資訊最後都被傳遞到輸出層中，在這裡系統會給出自己對於歌曲風格的理解：它是快節奏的嗎？它是不插電版本的嗎？它適合用作舞曲嗎？所有這些特徵都可以用神經網路在音訊檔案上準確地分析出來。
神經網路可以分析出節拍、重要部分、風格、速度和吵鬧程度。下圖是 Daft Punk 歌曲《Around the World》30 秒鐘片段的分析示例。
最後，這些對於歌曲的理解讓 Spotify 分析出不同歌曲之間的相似之處，把和使用者收聽列表中存在歌曲的類似新歌推送給你。綜合以上三種方法，Discover Weekly 歌單形成了！
當然，這些推薦模型也與 Spotify 的整個生態系統連結，其中包含大量資料，使用大量 Hadoop 聚集推薦結果，並讓這些模型能夠穩定執行在大量資料組成的矩陣、無數網路文字以及音樂檔案之上。現在，每個人都可以擁有自己的專屬新歌單了。