文章從網(wǎng)易云音樂的推薦功能出發(fā)，為我們分享了互聯(lián)網(wǎng)的常用推薦策略。

在上一篇文章中我們對網(wǎng)易云音樂的核心功能——音樂推薦進行了簡單分析，時隔三個月，從app store等評分中可以看出，部分用戶對網(wǎng)易云音樂推薦曲目的準確度存在質疑。本篇文章我們從網(wǎng)易云音樂的推薦功能出發(fā)，結合我的實習工作，聊一聊互聯(lián)網(wǎng)的常用推薦策略。

網(wǎng)易云音樂推薦

首先來回顧一下云音樂的推薦功能。音樂推薦是創(chuàng)始人丁磊先生愿景最直接的體現(xiàn)，也是網(wǎng)易云音樂的主推功能和核心競爭力所在，備受用戶推崇。

推薦算法簡單說就是在海量的用戶數(shù)據(jù)（行為記錄等）中對用戶進行劃分，對同一群體的用戶推薦其他用戶喜歡的音樂。這其中需要給音樂分類并建立評分細則、建立用戶模型、尋找相似用戶?；谟脩舻男袨閿?shù)據(jù)將歌曲分類匹配——實現(xiàn)“盲聽”。

網(wǎng)易云將音樂推薦分成三個部分：私人FM、每日歌曲推薦、推薦歌單。

（1）從準確性、多樣性角度分析

私人FM（準確性低、多樣性高）：多樣性高能為用戶帶來新鮮感，如果發(fā)現(xiàn)了一首從未聽過但特別喜歡的歌，會帶來驚喜感，調動用戶正面情緒。可是由于準確性低，很可能新歌很不被用戶喜歡，所以在私人FM在播放界面設置“刪除”、“下一首”兩個按鍵便于用戶切換歌曲。

每日歌曲推薦（準確性高、多樣性低）：準確性高使得每日推薦的20首歌曲比較好的滿足用戶口味，但是存在音樂類型單一化的問題，因此設置了播放列表以提供用戶瀏覽、操作的權利，彌補曲目單一化帶給用戶的失望。

推薦歌單（準確性中、多樣性中）：推薦歌單有別于其他兩個個性化推薦功能，它準確性多樣性的閾值不只是由算法決定的，更多的是它功能形式所決定的，首先把功能的面向對象分為兩類，一類是用戶，一類是UGC歌單，系統(tǒng)分別為歌單和用戶加標簽以提高準確度，由于UGC歌單是由很多用戶創(chuàng)建，所以UGC歌單就具有多樣性，兩者糅合從而保證了準確度和多樣性共存。

（2）從操作流程上分析

三個功能從看見功能按鍵到最終獲得推薦曲目的步驟：

• 看見私人FM>點擊私人FM>獲取音樂
• 看見每日歌曲推薦>點擊每日歌曲推薦>看見推薦列表>篩選喜歡曲目>點擊喜歡曲目>獲取音樂
• 看見推薦歌單>點擊推薦歌單>跳轉歌單頁面>發(fā)現(xiàn)類型標簽>篩選類型標簽>點擊類型標簽>看見標簽下的推薦歌單>篩選歌單>點擊歌單>瀏覽歌單列表>篩選喜歡歌曲>點擊喜歡歌曲>獲取音樂

可以發(fā)現(xiàn)三種方式獲取推薦音樂的操作流程由簡入繁。

（3）從用戶使用階段分析

三個功能對應著三種用戶階段：

私人FM-新用戶：私人FM位于首頁黃金位置，新用戶初次體驗的產(chǎn)品功能時大概率點擊這個按鍵，所以要簡化用戶使用流程，用戶在快速感受產(chǎn)品個性化推薦的魅力后才產(chǎn)生繼續(xù)了解其他功能的欲望。

每日歌曲推薦-普通用戶：新用戶使用私人FM過后需要不一樣的體驗來滿足個性化需求，每日20首歌曲推薦對用戶來說是可預知的，20首上限的設定給用戶物以稀為貴的感覺，會珍惜每日的推薦，而每日更新無法回看以往推薦的設定，會讓用戶覺得一天不看就錯過了什么的緊迫感。推薦算法設定了基于不同用戶行為的權重，“下載”最高，收藏、搜索、分享其次，此外你也可以點擊“不感興趣”，或許會避開這類歌。

推薦歌單-深度用戶：歌單是云音樂連接個性化推薦和社交的重要橋梁，推薦歌單是個性化推薦功能最后一環(huán)，在深度體驗了推薦歌單之后，用戶會得到歌單可被分享和推薦的認識，很可能會產(chǎn)生自建歌單的沖動，而歌單在云音樂中具有社交屬性，用戶可以互相收藏、評論、分享歌單，而且歌單在個人主頁中也反映了個人音樂風格，讓用戶能夠更好地展現(xiàn)自己給他人。

（4）從參與元素分析

• 私人FM：系統(tǒng)
• 每日歌曲推薦：系統(tǒng)+自己
• 推薦歌單：系統(tǒng)+自己+其他用戶

歐氏距離vs余弦相似度

在線下導購時代，導購員會通過系統(tǒng)的話術掌握消費者的情況，來推薦商品。類比導購員推銷時的思維邏輯，我們可以得到音樂推薦算法需要解決的三個核心問題：

• 將用戶信息轉化為用戶類型；
• 了解曲目的歸屬類型；
• 將不同類型的用戶與不同類型的曲目對應；

我們怎么量化兩個事物之間的相似度呢？常見的方法是利用歐式距離和余弦相似度。以A、B用戶間相似度為例：

利用歐式距離時，我們把A、B用戶看做兩點，用兩點間距離表示二者相似度。

使用余弦相似度時，則把二者看成同一坐標系下的兩個向量。兩個向量間夾角大小反應出他們的相似度，夾角越小則相似度越大。二維空間向量表示為r(x1,x2),多維空間向量表示為r(x1,x2…,xn)

比如，假設用戶有5個維度

對流行的喜歡程度（1~5分），對搖滾的喜歡程度（1~5分），對民謠的喜歡程度（1~5分），對說唱的喜歡程度（1~5分），對爵士的喜歡程度（1~5分）。

用戶A：對流行的喜歡程度3，對搖滾的喜歡程度1，對民謠的喜歡程度4，對說唱的喜歡程度5，對爵士的喜歡程度0，用戶A可以用向量表示為r_A (3,1,4,5,0)

一個用戶B：對流行的喜歡程度3，對搖滾的喜歡程度4，對民謠的喜歡程度5，對說唱的喜歡程度0，對爵士的喜歡程度2，用戶B可以用向量表示為r_B (3,4,5,0,2)

對于向量A和B而言，他們的在多維空間的夾角可以用向量余弦公式計算：

余弦相似度取值在0到1之間，0代表完全蒸餃，1代表完全一致。那么用戶A和B的相似度計算：

即代表了兩個用戶音樂偏好的相似程度。

余弦相似度是一種很好的數(shù)據(jù)策略，對計算用戶類型是很好的解決方法，我們來對比分析它和歐式距離。

上圖中，我們反方向延長點A，很明顯向量A和B之間夾角余弦值不變，但歐式距離發(fā)生改變。也就是說，利用歐式距離更能突出數(shù)值絕對差異，因此常用于歌曲間相似度的計算。例如，喜歡A歌曲的用戶數(shù)量是10000，喜歡B歌曲的用戶數(shù)是20000，因為樣本足夠大，我們認為用戶對歌曲喜愛的程度相同，也就是相同的分數(shù)，那么直接通過數(shù)量上的差異來計算相似程度即可。

由此可見，小到一個數(shù)學公式，大到一個數(shù)據(jù)模型甚至是推薦系統(tǒng)，都沒有單純的對錯之分，只有是否適合產(chǎn)品需求，能在有限的計算量內結合情景滿足預期。先入為主的方法論是數(shù)據(jù)策略工作中的大忌。

常見推薦方法

推薦和搜索本質有相似的地方。搜索滿足用戶從海量數(shù)據(jù)中迅速找到自己感興趣內容的需求，屬于用戶主動獲取。推薦則是系統(tǒng)從海量數(shù)據(jù)中根據(jù)獲取到的用戶數(shù)據(jù)，猜測用戶感興趣的內容并推薦給用戶，屬于系統(tǒng)推薦給用戶。本質上都是為了在這個信息過載的時代，幫助用戶找到自己感興趣的東西。這里我們介紹四種常見的推薦方法。

• 基于歌曲的推薦
• 基于歌曲的協(xié)同過濾
• 基于用戶的協(xié)同過濾
• 基于標簽的推薦

（1）基于歌曲的推薦

基于歌曲的推薦是比較基礎的推薦方法，根據(jù)我們播放收藏或下載的某類型的歌曲，推薦這種類型下的其他歌曲。這種方式很容易被理解，但是比較依賴內部曲庫完善的分類體系，且需要用戶有一定的數(shù)據(jù)積累，不適用于冷啟動。

（2）基于歌曲的協(xié)同過濾

協(xié)同過濾與傳統(tǒng)的基于內容分析直接進行推薦不同，協(xié)同過濾會分析系統(tǒng)已有數(shù)據(jù)，并結合用戶表現(xiàn)的數(shù)據(jù)，對該指定用戶對此信息的喜好程度預測。

基于歌曲的協(xié)同過濾，通過用戶對不同歌曲的評分（下載收藏評論分享對應不同分數(shù)）來評測歌曲之間的相似性，基于歌曲之間的相似性做出推薦；一個典型的例子是著名的“啤酒加尿布”，就是通過分析知道啤酒和尿布經(jīng)常被美國爸爸們一起購買，于是在尿布邊上推薦啤酒，增加了啤酒銷量。

計算用戶u對歌曲j的喜愛程度：

N(u)表示與用戶有關聯(lián)的歌曲歌單等集合，w_ji表示歌曲/歌單j和i的相似度，r_ui表示用戶對i的打分。

推薦時也要綜合考慮其他業(yè)務數(shù)據(jù)，比如兩首歌曲越多的被加入兩個歌單，則認為兩首歌越相似。

（3）基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾是通過用戶對不同歌曲/單的行為，來評測用戶之間的相似性，基于用戶之間的相似性做出推薦。這部分推薦本質上是給相似的用戶推薦其他用戶喜歡的歌曲，一句話概括就是：和你類似的人還喜歡下列歌曲。

計算用戶u對歌曲i的喜愛程度：

N(i)表示對歌曲/單i有過行為的用戶集合，w_uv是用戶u和用戶v之間的相似度，r_vi表示用戶v對歌曲/單i的打分。

（4）基于標簽的推薦

歌曲有標簽，用戶也會基于行為被打上標簽，系統(tǒng)通過標簽將二者關聯(lián)。

根據(jù)標簽進行推薦需要產(chǎn)品在初期就有標簽概念，網(wǎng)易云音樂不同的曲目類型是天然的素材標簽，通過對UGC內容的處理和對用戶行為的數(shù)據(jù)分析則可以得到用戶標簽。

總結

在廣場舞大媽都在談論AI的時代，基于機器學習的推薦算法實在算不上風口。但是沒有任何一種推薦方法或系統(tǒng)能適用全部的情形，在真正實現(xiàn)過程中一定要對算法有熟悉的掌握，另外和一些前輩的交流讓我認識到，一個優(yōu)秀的pm必備的素養(yǎng)之一就是對每一條業(yè)務線深刻的理解。

在構建一個推薦方法時，我們一般會用到加權、降權、屏蔽。一個方法是否能支持靈活調節(jié)權重，后期是否能持續(xù)迭代，都是要通過不斷的測試驗證，最終讓數(shù)據(jù)說話。

根據(jù)一些用戶反饋和我自身的使用感受，提一些建議：

• 網(wǎng)易云音樂推薦算法把用戶最近的行為權重置高，因此系統(tǒng)容易大量推薦相似類型的歌曲，使用戶審美疲勞、興奮度降低。建議在算法中加入用戶使用場景的分析，并對同類型歌曲出現(xiàn)的次數(shù)、位置加以限制；
• 針對長尾冷門歌曲，由于數(shù)據(jù)量相對較少，更要重視效果反饋；深度挖掘數(shù)據(jù)，豐富推薦元素，比如根據(jù)某位用戶喜愛歌手的創(chuàng)作/成長背景，推薦影響該歌手的音樂、專輯、歌手；

網(wǎng)易云的情懷令人歡喜，在商業(yè)化的今天彌足珍貴。祝越來越好。

最后，萬望不吝賜教。

作者：獅子田，武漢大學研究生一年級在讀，尋求暑期實習~

本文由 @獅子田 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載。

題圖來自PEXELS，基于CC0協(xié)議