?編輯導(dǎo)讀：在短視頻如此風(fēng)靡的當(dāng)下，算法無(wú)時(shí)無(wú)刻不在控制著我們的生活喜好，讓我們上癮，看到更多我們感興趣的視頻。然而，音樂(lè)領(lǐng)域也是如此，也是被算法所推動(dòng)的。今天我們就來(lái)看看，算法是如何推歌的。

從雜志、報(bào)紙上的樂(lè)評(píng)專(zhuān)欄，到音樂(lè)流媒體上的用戶(hù)評(píng)論、算法推薦，人們聽(tīng)歌的選擇方式一直處于私人化和公開(kāi)化之間。

近期，音樂(lè)軟件Plexamp又進(jìn)行了一次大規(guī)模的升級(jí)，其中最受關(guān)注的，當(dāng)屬新功能“Super Sonic”的上線(xiàn)。

據(jù)Plex介紹，這款只針對(duì)會(huì)員用戶(hù)的新功能將利用龐大的神經(jīng)網(wǎng)絡(luò)，從“聲音”上對(duì)用戶(hù)歌單中的歌曲進(jìn)行分析，完成新內(nèi)容的個(gè)性化推薦。

不過(guò)，這一功能“更新需要占用大量的CPU，可能要花費(fèi)您數(shù)小時(shí)甚至數(shù)天的時(shí)間。但一旦更新完成，將帶給您全新的音樂(lè)體驗(yàn)?！?/p>

其實(shí)，以歌曲本身的要素作為標(biāo)簽，并對(duì)歌曲進(jìn)行分類(lèi)，“Super Sonic”的個(gè)性化推薦思路似乎沒(méi)有創(chuàng)新，利用人工智能對(duì)歌曲進(jìn)行分析也并不新鮮。

而從Pandora、Spotify到QQ音樂(lè)、網(wǎng)易云音樂(lè)，國(guó)內(nèi)外音樂(lè)流媒體平臺(tái)的推薦系統(tǒng)已發(fā)展了20年。

長(zhǎng)期以來(lái)，“國(guó)內(nèi)推薦系統(tǒng)的體驗(yàn)不如國(guó)外”的聲音一直層出不窮，如今“Super Sonic”橫空出世，又掀起了新一輪關(guān)于個(gè)性化推薦的討論。

時(shí)至今日，“國(guó)外的推薦系統(tǒng)好在哪里”這個(gè)老問(wèn)題，是否有了新的答案？

一、算法推歌20年

互聯(lián)網(wǎng)音樂(lè)電臺(tái)Pandora推出的“音樂(lè)基因組計(jì)劃”，是最早向用戶(hù)個(gè)性化推薦歌曲的系統(tǒng)。

2000年，Pandora把一群音樂(lè)家和音樂(lè)技術(shù)人員聚在一起，他們從流派、節(jié)奏、風(fēng)格等多方面來(lái)給歌曲貼“標(biāo)簽”，然后過(guò)濾這些標(biāo)簽，以達(dá)到分類(lèi)的效果，最后把不同類(lèi)型的歌曲推送給自己的用戶(hù)。

彼時(shí)，Pandora給歌曲貼的標(biāo)簽，基本上取決于音樂(lè)家的個(gè)人理解，而人工分析一首歌，往往需要15~30分鐘的時(shí)間。

如今，Pandora的推薦系統(tǒng)已相當(dāng)強(qiáng)大，它能從超過(guò)450個(gè)角度理解歌曲——包括流派、歌手、旋律、和聲等，甚至是歌手的鼻音。

歌曲的每個(gè)特性被賦予0~5之間的值，通過(guò)對(duì)特性的描述，推薦系統(tǒng)描繪出了歌曲的DNA圖譜。

同時(shí)，構(gòu)建DNA圖譜的過(guò)程也在逐漸智能化。

目前，Pandora采用人工+人工智能的組合來(lái)為歌曲貼“標(biāo)簽”，對(duì)于一些“簡(jiǎn)單”的特性。

例如和聲、吉他效果等，人工智能已完全可以勝任。

而對(duì)于一些“復(fù)雜”的特性，例如歌詞表達(dá)的情感、微妙的旋律變化等，目前仍由音樂(lè)工作者來(lái)進(jìn)行判斷。

Spotify的個(gè)性化推薦之路則開(kāi)始得晚一些。

2015年，在收購(gòu)了音樂(lè)個(gè)性化數(shù)據(jù)提供商The Echo Nest后，Spotify的推薦系統(tǒng)才開(kāi)始“登堂入室”。

Discover Weekly是Spotify的首個(gè)個(gè)性化推薦功能，可以根據(jù)用戶(hù)的喜好，每周為用戶(hù)推薦30首歌曲。

與The Echo Nest早先的設(shè)計(jì)相似，Spotify的推薦系統(tǒng)主要采用協(xié)同過(guò)濾、自然語(yǔ)言處理、音頻分析三種推薦模型。

協(xié)同過(guò)濾模型主要分析用戶(hù)間的關(guān)聯(lián)，在其中，Spotify的曲庫(kù)與用戶(hù)構(gòu)成了一個(gè)龐大的二維矩陣，通過(guò)對(duì)這個(gè)矩陣的拆解，得到相似的用戶(hù)向量和歌曲向量，以向用戶(hù)推薦其他有著相似口味的用戶(hù)喜愛(ài)的歌曲。

自然語(yǔ)言處理模型則是從人們對(duì)歌曲的評(píng)價(jià)中來(lái)提煉每首歌曲被提及時(shí)常用的形容表達(dá)、句子、名詞等“關(guān)鍵詞”，并給這些關(guān)鍵詞設(shè)定不同的權(quán)重，以量化在人們眼中哪些歌曲是相似的。

由于新歌的播放數(shù)據(jù)和用戶(hù)評(píng)價(jià)都較少，協(xié)同過(guò)濾模型和自然語(yǔ)言處理模型難以起到很好的效果。

為此，Spotify在推薦系統(tǒng)中加入了音頻分析模型。

其通過(guò)分析原始音軌文件來(lái)進(jìn)行分類(lèi)過(guò)濾，在卷積神經(jīng)網(wǎng)絡(luò)的幫助下，歌曲時(shí)間內(nèi)的特征統(tǒng)計(jì)量（拍子記號(hào)、音調(diào)、調(diào)式、速度等）得以形象化，并被用來(lái)分析歌曲間本質(zhì)上的相似性。

要實(shí)現(xiàn)對(duì)用戶(hù)的個(gè)性化推薦，除了對(duì)內(nèi)容的精準(zhǔn)描述外，精準(zhǔn)的用戶(hù)畫(huà)像也同樣重要。

2018年，Spotify申請(qǐng)的一項(xiàng)專(zhuān)利被視為其推薦系統(tǒng)2.0版本到來(lái)的標(biāo)志。

據(jù)悉，這項(xiàng)專(zhuān)利是一項(xiàng)音頻信號(hào)處理技術(shù)，能夠?qū)τ脩?hù)的語(yǔ)音內(nèi)容和背景噪音進(jìn)行處理，以得到用戶(hù)的情緒狀態(tài)數(shù)據(jù)。

再加上對(duì)年齡、性別、地區(qū)等傳統(tǒng)數(shù)據(jù)的綜合分析，Spotify將為用戶(hù)提供更為精準(zhǔn)的推薦內(nèi)容，“把推薦技術(shù)提升到一個(gè)新的水平”。

與Spotify和Pandora試圖去深刻理解用戶(hù)不同，剛剛上線(xiàn)的“Super Sonic”并沒(méi)有在用戶(hù)畫(huà)像上下功夫——這款僅針對(duì)Plex付費(fèi)用戶(hù)推出的功能，只是為了推薦用戶(hù)可能喜歡的歌曲。

“Super Sonic”將一首歌曲的“聲音”從旋律、節(jié)拍等50多個(gè)維度進(jìn)行分解，根據(jù)分析結(jié)果，歌曲們被放進(jìn)了一個(gè)以歌曲特性為坐標(biāo)軸的N維空間中，并用不同的點(diǎn)表示。

在N維空間中，兩個(gè)點(diǎn)越接近，它們代表的歌曲就越“相似”。

50維空間中的計(jì)算需要極大的計(jì)算量，這或許是在安裝“Super Sonic”時(shí)需要耗費(fèi)數(shù)小時(shí)甚至數(shù)天時(shí)間的原因。

盡管運(yùn)作系統(tǒng)十分龐大，但“Super Sonic”并未帶來(lái)多少新意。對(duì)歌曲本身進(jìn)行分析，這與Spotify的音頻分析模型的想法不謀而合；而通過(guò)尋找兩個(gè)相近的“點(diǎn)”來(lái)召回歌曲，則是協(xié)同過(guò)濾模型中常用的求解思路。

不過(guò)，與各位“前輩”相比，“Super Sonic”也有著自己的亮點(diǎn)——它完全擺脫了對(duì)元數(shù)據(jù)的依賴(lài)。

盡管Spotify的音頻分析模型也只對(duì)歌曲本身進(jìn)行分析，但最終被端上用戶(hù)餐桌的，是由多個(gè)模型共同決定的內(nèi)容。

直觀來(lái)看，“Super Sonic”這種“不加以辨別”的推薦方式，意味著獨(dú)立音樂(lè)人有更多被聽(tīng)見(jiàn)的可能，也給聽(tīng)眾帶來(lái)了更多新的探索。

二、國(guó)內(nèi)平臺(tái)是怎么做算法推歌的？

眾所周知，用戶(hù)對(duì)音樂(lè)的反饋越多，個(gè)性化推薦的內(nèi)容越精準(zhǔn)。

其實(shí)這是一種雙向互動(dòng)的過(guò)程——推薦系統(tǒng)學(xué)習(xí)到用戶(hù)喜好，用戶(hù)也借助算法工具實(shí)現(xiàn)了對(duì)自己潛在音樂(lè)喜好的探索。

在這種推薦系統(tǒng)與用戶(hù)的雙向互動(dòng)中，“標(biāo)簽”是推薦歌曲最重要的依據(jù)。

無(wú)論是Pandora“音樂(lè)基因組計(jì)劃”還是Spotify的三種算法模型，核心目的都在于給一首歌曲貼上足量且準(zhǔn)確的“標(biāo)簽”。

• 在標(biāo)簽的解讀上，QQ音樂(lè)的推薦系統(tǒng)給出了一些新的思路：在標(biāo)簽系統(tǒng)中加入了視覺(jué)元素，從音視頻和藝人的角度對(duì)歌曲進(jìn)行拆解；
• 流派方面，QQ音樂(lè)綜合國(guó)情，開(kāi)發(fā)出了諸多中國(guó)獨(dú)有的“標(biāo)簽”。

例如例如通行的“電音”“說(shuō)唱”等流派劃分外，還加入了“國(guó)風(fēng)”、“城市民謠”、“大眾流行”等中國(guó)特有的“標(biāo)簽”，以照顧到不同受眾的口味與感受。

QQ音樂(lè)推薦系統(tǒng)的另一個(gè)創(chuàng)新點(diǎn)則是建立了歌曲的知識(shí)圖譜。

在采訪中，QQ音樂(lè)數(shù)據(jù)算法負(fù)責(zé)人Toro對(duì)音樂(lè)先聲表示，知識(shí)圖譜是由歌曲豐富的知識(shí)信息組成的網(wǎng)絡(luò)結(jié)構(gòu)。

在這個(gè)網(wǎng)絡(luò)中，每首歌曲就是一個(gè)點(diǎn)，具有相同特征（例如專(zhuān)輯、歌手、音色等）的所有歌曲連成線(xiàn)，所有線(xiàn)交織在一起，則構(gòu)成了一張?zhí)N含著歌曲關(guān)聯(lián)信息的網(wǎng)狀知識(shí)圖譜。

知識(shí)圖譜的應(yīng)用，無(wú)疑給分析歌曲之間的相關(guān)性提供了更多的角度。

作為可讀性較高的外部知識(shí)載體，歌曲的知識(shí)圖譜提供的信息也應(yīng)用到了QQ音樂(lè)的個(gè)性化推薦板塊（個(gè)性電臺(tái)、每日30首等）。

在用戶(hù)分析方面，QQ音樂(lè)主要采用行為序列和語(yǔ)義分析兩種模型。

用戶(hù)對(duì)每首歌曲的搜索、播放、收藏、切歌等在APP中的所有行為構(gòu)成的行為序列，再結(jié)合從語(yǔ)義分析出的用戶(hù)音樂(lè)個(gè)性，幫助QQ音樂(lè)為每位用戶(hù)刻畫(huà)出了獨(dú)有的“音樂(lè)肖像”。

可見(jiàn)，在歌曲角度和用戶(hù)角度，QQ音樂(lè)的算法推薦系統(tǒng)盡可能做到多樣化的數(shù)據(jù)融合和本土化，在新熱歌曲的推薦上表現(xiàn)也比較突出。

而作為國(guó)內(nèi)第一個(gè)以歌單為底層架構(gòu)的在線(xiàn)音樂(lè)平臺(tái)，網(wǎng)易云音樂(lè)對(duì)推薦系統(tǒng)有著自己的理解。

除了用戶(hù)對(duì)一首歌曲的播放、收藏、轉(zhuǎn)發(fā)等常見(jiàn)的反饋外，社交功能強(qiáng)大的網(wǎng)易云音樂(lè)還擁有評(píng)論區(qū)這一豐富的“資源”。

為此，網(wǎng)易云音樂(lè)專(zhuān)門(mén)上線(xiàn)了針對(duì)評(píng)論語(yǔ)義分析功能，以從評(píng)論的語(yǔ)義中判斷用戶(hù)對(duì)歌曲的偏好程度。

隨著推薦系統(tǒng)近年來(lái)的飛速發(fā)展，用戶(hù)的要求也在水漲船高，不少用戶(hù)表示推薦系統(tǒng)很少給自己帶來(lái)“驚喜感”。

這是由于在已有的推薦系統(tǒng)中，用戶(hù)畫(huà)像方法大都沒(méi)有考慮用戶(hù)屬性標(biāo)簽的時(shí)效性，因此很難刻畫(huà)用戶(hù)的動(dòng)態(tài)變化。

網(wǎng)易云音樂(lè)對(duì)于深度時(shí)序網(wǎng)格的引入，在一定程度上解決了這個(gè)問(wèn)題。

深度時(shí)序網(wǎng)格對(duì)用戶(hù)過(guò)去一段時(shí)間及當(dāng)前的聽(tīng)歌習(xí)慣進(jìn)行分析，通過(guò)對(duì)用戶(hù)興趣點(diǎn)的快速更新，不僅實(shí)現(xiàn)了對(duì)用戶(hù)的實(shí)時(shí)建模推薦，還能幫助用戶(hù)發(fā)現(xiàn)潛在喜歡的歌單類(lèi)型。

網(wǎng)易云音樂(lè)相關(guān)負(fù)責(zé)人對(duì)音樂(lè)先聲表示，這在一定程度上帶來(lái)了用戶(hù)使用中的”驚喜感”。

但由于深度時(shí)序網(wǎng)絡(luò)較為復(fù)雜，推薦系統(tǒng)的可解釋性在一定程度上也會(huì)受影響。

• 可解釋性主要分為兩個(gè)方面，一方面是算法的可解釋性，算法的可解釋性差意味著在推薦系統(tǒng)出現(xiàn)偏差時(shí)，算法工程師更難找到問(wèn)題所在；
• 另一方面則是推薦結(jié)果的可解釋性，如果一個(gè)推薦系統(tǒng)能夠給出推薦這些內(nèi)容的原因，則說(shuō)明其具有較好的可解釋性。

清華大學(xué)張敏教授在某購(gòu)物平臺(tái)上進(jìn)行的一項(xiàng)實(shí)驗(yàn)表明：當(dāng)推薦結(jié)果的可解釋性增強(qiáng)時(shí)，用戶(hù)對(duì)其的點(diǎn)擊率也會(huì)有所提升。

這就說(shuō)明，良好的可解釋性意味著更高的用戶(hù)接受度，算法推歌也是同樣的道理。

也就是說(shuō)，在給出精準(zhǔn)推薦的同時(shí)，還能給出可靠的解釋?zhuān)@樣的推薦系統(tǒng)往往能收到更好的推薦效果。

這也是目前國(guó)內(nèi)外音樂(lè)平臺(tái)在個(gè)性化推薦系統(tǒng)領(lǐng)域的努力方向——不僅要提高用戶(hù)選擇推薦內(nèi)容概率及用戶(hù)滿(mǎn)意度，還要提高用戶(hù)對(duì)系統(tǒng)的信任與接受程度。

三、算法之外，推歌路在何方？

長(zhǎng)期以來(lái)，國(guó)內(nèi)音樂(lè)平臺(tái)的推薦系統(tǒng)一直被拿來(lái)同國(guó)外作比較。

不少用戶(hù)表示，目前國(guó)外音樂(lè)平臺(tái)推薦系統(tǒng)的使用體驗(yàn)較好，甚至認(rèn)為這種差距主要來(lái)自于推薦技術(shù)上的落后。

但其實(shí)，在世界一流的技術(shù)團(tuán)隊(duì)的努力下，從算法到模型，在技術(shù)層面，國(guó)內(nèi)的推薦系統(tǒng)并不比國(guó)外差。

Toro認(rèn)為：“相比于國(guó)外，國(guó)內(nèi)的推薦技術(shù)并不處于劣勢(shì)，國(guó)外的創(chuàng)作者生態(tài)和數(shù)據(jù)結(jié)構(gòu)發(fā)展得比較成熟，這是他們的優(yōu)勢(shì)所在。我們處于不同的發(fā)展時(shí)代，而時(shí)代的發(fā)展是每個(gè)音樂(lè)產(chǎn)業(yè)都要經(jīng)歷的?！?/p>

以起步較早的Pandora為例，“音樂(lè)基因組計(jì)劃”在推薦系統(tǒng)領(lǐng)域已深耕超20年，得益于8000萬(wàn)用戶(hù)的龐大基數(shù)。

截止目前，Pandora已處理了超1000億條用戶(hù)反饋。在豐富數(shù)據(jù)的“投喂”下，國(guó)外音樂(lè)平臺(tái)的推薦系統(tǒng)起點(diǎn)更高。

正如Toro所說(shuō)：“國(guó)外音樂(lè)平臺(tái)長(zhǎng)時(shí)間搭建起的數(shù)據(jù)體系是最寶貴的財(cái)富，而這些東西是算法層面無(wú)法解決的”。

同樣無(wú)法短時(shí)間解決的，還有國(guó)內(nèi)音樂(lè)創(chuàng)作生態(tài)的問(wèn)題。

在音樂(lè)市場(chǎng)尚未成熟的背景下，仍存在不少蹭熱度、濫竽充數(shù)的創(chuàng)作現(xiàn)象，當(dāng)這些歌曲流入推薦歌單中時(shí)，無(wú)疑會(huì)使用戶(hù)體驗(yàn)大打折扣。

當(dāng)然，由于當(dāng)下受眾市場(chǎng)音樂(lè)審美的“參差”，確實(shí)給了一批“以次充好”的歌曲以生存空間，但并不意味著用戶(hù)永遠(yuǎn)只能沉迷在“神曲”之中。

當(dāng)被問(wèn)及音樂(lè)平臺(tái)是否應(yīng)該肩負(fù)起引導(dǎo)用戶(hù)審美的責(zé)任時(shí)，Toro認(rèn)為：“毫無(wú)疑問(wèn)是需要的，這是每個(gè)平臺(tái)都應(yīng)該達(dá)到的效果”。

算法其實(shí)也是有價(jià)值觀的，科技向善不應(yīng)該只是一句口號(hào)，我們也樂(lè)見(jiàn)于更多不同類(lèi)型的好音樂(lè)被聽(tīng)到。

與此同時(shí)，隨著個(gè)性化推薦系統(tǒng)的飛速發(fā)展，不少隱形問(wèn)題也開(kāi)始被放上桌面。

比如，推薦系統(tǒng)帶來(lái)的“信息繭房”效應(yīng)就一直飽受詬病——如果一直被推送同一種類(lèi)型的內(nèi)容，用戶(hù)的興趣可能會(huì)被限制在其中。

有網(wǎng)友曾指出，Spotify推薦音樂(lè)類(lèi)型和風(fēng)格范圍會(huì)隨時(shí)間推移而逐漸收窄，這意味著如果不去主動(dòng)尋找其他音樂(lè)，Spotify的推薦算法只會(huì)強(qiáng)化已推薦音樂(lè)的類(lèi)型。

而在今年4月，Spotify的研發(fā)中心開(kāi)發(fā)了一種新的動(dòng)態(tài)模型——用戶(hù)喜好過(guò)渡模型（Preference Transition Model，PTM）。

通過(guò)在音樂(lè)流媒體、飯館推薦、電影推薦三個(gè)領(lǐng)域的試驗(yàn)，發(fā)現(xiàn)PTM能夠“揭示一些用戶(hù)偏好隨時(shí)間變化的顯著規(guī)律”，在一定程度上可以預(yù)測(cè)用戶(hù)喜好的變化趨勢(shì)。

國(guó)內(nèi)的推薦系統(tǒng)也上線(xiàn)了深度時(shí)序網(wǎng)格來(lái)探知用戶(hù)興趣的變化，但真實(shí)準(zhǔn)確地反映用戶(hù)的興趣遷移還很難。

目前，推薦系統(tǒng)更多的是引導(dǎo)用戶(hù)進(jìn)行興趣與品味的探索——基于一定的價(jià)值觀，推薦系統(tǒng)會(huì)給偏好老歌的用戶(hù)推薦一些較新的歌曲，給偏保守的用戶(hù)推薦一些較為“先鋒”的歌曲等。

不過(guò)，個(gè)性化推薦帶來(lái)的用戶(hù)隱私問(wèn)題也被重視起來(lái)。

自今年1月Spotify獲批從用戶(hù)語(yǔ)音來(lái)推測(cè)情緒的專(zhuān)利以來(lái)，這項(xiàng)技術(shù)一直飽受爭(zhēng)議。

不少人擔(dān)心自己的“私密信息”在應(yīng)用軟件的過(guò)程中被泄露。

這樣的擔(dān)心并非無(wú)中生有，有心之人利用推薦系統(tǒng)侵犯用戶(hù)隱私的事件并不少見(jiàn)。

2016年，劍橋分析公司通過(guò)小測(cè)試的形式獲取了5000萬(wàn)Facebook用戶(hù)的個(gè)人信息，進(jìn)行心理學(xué)分析后，其通過(guò)社交媒體向這些用戶(hù)“個(gè)性化推薦”有利于特朗普競(jìng)選的內(nèi)容。

據(jù)統(tǒng)計(jì)，在民眾沒(méi)有察覺(jué)的情況下，這些推薦內(nèi)容潛移默化地影響了全美至少四分之一的潛在選民。

由于在面對(duì)不同的互聯(lián)網(wǎng)產(chǎn)品時(shí)，用戶(hù)有著不同的行為表現(xiàn)，因此整合不同平臺(tái)推薦系統(tǒng)刻畫(huà)出的用戶(hù)畫(huà)像，必然會(huì)使用戶(hù)畫(huà)像更為形象立體。

但這同樣就會(huì)帶來(lái)侵犯用戶(hù)隱私的問(wèn)題——不同平臺(tái)的合作勢(shì)必要對(duì)用戶(hù)身份進(jìn)行關(guān)聯(lián)，打破利用用戶(hù)信息與侵犯用戶(hù)隱私間微妙的平衡。

而如果不能解決“推薦與隱私的悖論”，用戶(hù)將永遠(yuǎn)無(wú)法安心地享受技術(shù)帶來(lái)的便利。

8月27日，國(guó)家互聯(lián)網(wǎng)信息辦公室發(fā)布的關(guān)于《互聯(lián)網(wǎng)信息服務(wù)算法推薦管理規(guī)定（征求意見(jiàn)稿）》就提到——

算法推薦服務(wù)提供者“不得將違法和不良信息關(guān)鍵詞記入用戶(hù)興趣點(diǎn)或者作為用戶(hù)標(biāo)簽并據(jù)以推送信息內(nèi)容，不得設(shè)置歧視性或者偏見(jiàn)性用戶(hù)標(biāo)簽”。

同時(shí)，“應(yīng)當(dāng)向用戶(hù)提供不針對(duì)其個(gè)人特征的選項(xiàng)，或者向用戶(hù)提供便捷的關(guān)閉算法推薦服務(wù)的選項(xiàng)”，以保護(hù)用戶(hù)的合法權(quán)益。

從Pandora、Spotify到QQ音樂(lè)、網(wǎng)易云音樂(lè)，我們也會(huì)發(fā)現(xiàn)，只要給到足夠豐富的內(nèi)容標(biāo)簽和用戶(hù)畫(huà)像，算法推歌就可以無(wú)限趨近于真實(shí)甚至驚喜的聽(tīng)歌需求。

就目前國(guó)內(nèi)外的個(gè)性化音樂(lè)推薦體驗(yàn)差距來(lái)說(shuō)，技術(shù)本并不是最關(guān)鍵的要素，而在于一個(gè)時(shí)間積累的用戶(hù)數(shù)據(jù)“投喂”，以及更好的創(chuàng)作者生態(tài)與用戶(hù)審美。

當(dāng)然，在被動(dòng)享受算法推歌的技術(shù)便利時(shí)，如果我們能夠保持自主發(fā)現(xiàn)好音樂(lè)的習(xí)慣，或許能夠更真實(shí)地體驗(yàn)到聽(tīng)歌的樂(lè)趣，在賽博世界多一些儀式感。

作者：魯修修，編輯：范志輝；公眾號(hào)：音樂(lè)先聲

本文由 @音樂(lè)先聲 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(zhuǎn)載

題圖來(lái)自 Unsplash，基于CC0協(xié)議