Spotify是如何帮你的耳朵相亲的（内含最新动态模型介绍）

7254800

Spotify是如何帮你的耳朵相亲的（内含最新动态模型介绍）


音乐领域中，Spotify的推荐算法可以说是最强媒婆了。



从2015年，Spotify推出“每周推荐”（Discover weekly）这个功能以来，大量用户都通过这个版块找到了自己喜欢的曲目，其推荐的满意程度甚至让网友感叹“想跟这个算法谈恋爱。”。在这短短间，Spotify的用户数量也增长了近5倍。“每周推荐”就此成为Spotify的招牌功能之一。



在过去的五六年间，中外都有不少文章从各个角度介绍Spotify的推荐算法。Spotify的推荐算法主要使用三种模型，分别是协同过滤、自然语言处理和声音模型。为了避免过滤泡沫，2021年4月，Spotify又提出了一种关于用户喜好的动态模型：喜好过渡模型。



协同过滤（Collaborative Filtering）



协同过滤就是通过分析用户行为和相关用户的行为来进行过滤工作。这些用户行为参数包括播放数据（播放时间是否超过30秒）、播放次数、是否被添加到歌单、用户是否有访问歌手的页面，有相同喜好的用户也喜欢、用户年龄、地理位置甚至专辑封面。



自然语言处理（Natural Language Processing, NLP）



自然语言处理，顾名思义，就是通过分析文字内容来进行处理。这为音乐筛选提供了一个新的维度。



Spotify会不断地在网上爬各种博客文章和其他关于音乐评论或描述的文字，并找出哪些人们会对特定歌手和歌曲的评价。什么形容表达、句子、名词经常被用于描述这些歌曲，以及哪些其他歌手和歌曲也同时被一起讨论。为这些词设定不同的权重。



声音模型（Raw Audio Model）



声音模型则是通过分析原始音轨文件来进行分类过滤。这种模型的好处在于能把新歌考虑进去。由于新歌传播范围相对小，播放数据信息和相关文字描述数量肯定不敌老歌，但是声音模型则可以很好地弥补这一缺陷，通过音乐本身的一些特点参数，分析音乐之间的关联性。



除了拍子（Tempo）、响度（Loudness）这类基本参数，还包括：



现场感（Liveness）

根据分析录音中是否有观众存在，来判断这首歌是否是Live表演。



可跳性（Danceability）

根据音乐的拍子、节奏稳定性、拍子强度、整体的规律性，判断这首歌适不适合跳舞。



器乐性（Instrumentalness）

判断这首歌是否有歌手演唱。在这个背景下，“哦”或“啊”都被判定为器乐声，而Rap或者说的话则是“歌手演唱”。器乐性参数值越高（越接近1），这首歌越可能没有“歌手演唱”。



积极程度（Valence）

该参数值设定范围和其他参数一样，都是从0.0到1.0，用于描述音乐的积极程度。该参数值高的歌曲表达情绪更加积极（如幸福、喜悦、狂喜），反之则相对消极（如难过、抑郁、愤怒）。



应对过滤泡沫（Filtering Bubble）的办法：喜好过渡模型 (Preference Transition Model, PTM)



这些算法被广泛用于各种互联网平台，用于为用户推荐他们可能感兴趣的内容。但受到这些推荐算法的影响，用户在网络中大概率只能接收到固化自己已知偏好的信息。



2011年，Eli Pariser在Ted演讲中提出了“过滤泡沫”的概念，用于描述这一情况，呼吁互联网巨头要正视这种信息过滤形式。经济学人评论，“一个由熟悉的世界构成的世界是没有任何东西可以学习的，隐形的自动宣传用我们自己的想法再灌输回我们自己”。



且不谈过滤泡沫对个体认知造成的消极影响，作为音乐流媒体平台，不得不看到的是，用户并不是机器人，不会有一成不变的喜好，算法忽略了人也喜欢惊喜感，喜欢被自己不知道的东西打动这件事。



微博网友在2020年3月指出，Spotify推荐音乐类型和风格范围会随时间推移而逐渐收窄。如果只是不断肯定Spotify所推荐的音乐，而不主动寻找其他音乐的话，Spotify的推荐算法只会强化已推荐音乐的类型，而不能积极预测你可能喜欢的其他音乐类型。



2021年4月，Spotify的研发中心发表文章描述了一种新的动态模型，用户喜好过渡模型（Preference Transition Model, PTM），并指出，用户的喜好是随着时间变化的，现有的模型通常只能根据用户当下的喜好做出类似推荐，但却不能积极预测其喜好的变化。



为了验证这一模型，Spotify研发中心先是在音乐流媒体、饭馆推荐、电影推荐三个领域都做过试验，根据用户历史数据判断未来喜好变化，研究用户喜好变化趋势。然后再集中于音乐领域，并指出，PTM“揭露了一些用户偏好随着时间变化的显著规律”。





根据一些音乐数据，PTM可以自动找到从（绿色方框里的）源头类型到（红色方框里的）终点类型（destination genres）的最可能的演变路径。



研究指出，探索新音乐类型和用户付费订阅倾向有关联。数据显示，转换为付费订阅用户探索的音乐类型明显多于未转换的用户探索的类型。为此，研究得出结论，帮助用户探索音乐空间新领域能够帮助用户提高订阅概率和满意度。





根据PTM模型得出的每对（绿色方框的）源头音乐类型和（红色方框的）终点音乐类型最可能的演变过程。



“我们相信这些发现可以启发新一代动态、强化多样性的推荐系统。” Spotify用户研究中心这样总结道。



参考：

Where To Next? A Dynamic Model of User Preferences

How Spotify’s Algorithm Manages To Find Your Inner Groove

Spotify个性化推荐服务Discover Weekly：智能学习如何为你推荐音乐

You can now play with Spotify’s recommendation algorithm in your browser