谈音乐推荐算法:听音乐就是为我现在的心情找BGM。
这两种情况完全不同。前者需求明确，用户主动搜索资源。后者需要隐藏的意义，需要挖掘。大多数情况下，他们处于第二种状态，即没有明确的目的，只想听音乐。我不在乎耳朵里的音乐来自哪个歌手，是乡村还是民谣，是中文还是英文，甚至不在乎仔细听，但它是不可或缺的，就像为我的人生弹奏正确的BGM。
腾讯最近发布了一款音乐app——MOO。在接触Moo之前，基本都是用QQ音乐和网易云音乐。我统计了一下自己的使用习惯，发现很多情况下，我基本上只按顺序播放收藏列表中的歌曲，而这些歌曲都来自于上述场景“激发-搜索-试听-添加收藏”。QQ音乐和网易云也会花很多功夫打造“发现”版块、榜单、作者、话题等。，但我很少用它们，因为没有探索的欲望。音乐需要先听，才能发现自己喜不喜欢，而通过点击列表、作者、话题来听和找到自己喜欢的音乐，成本太高，效果也不好。所以QQ音乐、网易云音乐等app对我来说就是音乐搜索和播放工具。第一次用，眼睛一亮。重点列举如下:
1.启动App后进入沉浸式全屏模式，播放效果酷炫，视觉冲击；
2.app几乎去掉了大部分图标评论，使得界面非常简洁；
3.向上滑动切歌，向右滑动换标签，底部水平滑动调整播放进度；
4.我每天会推荐20首歌，不用搜就能听。
总的来说是95、00后非常年轻的产品。但更吸引我的不是上面这些，而是Moo改变了我听歌的习惯，或者说重新定义了我的听歌场景。最近几乎每天上班路上都带着耳机听Moo。20首歌足够满足一天的新鲜感，我再也不用考虑“听什么”了。喜欢收藏，不喜欢幻灯片，就是这么简单，运营成本极低，让听音乐成为一个纯粹的探索和欣赏的过程。
那么决定这种体验好坏的关键就在于音乐推荐的准确性。
我眼中的理想状态是它能越来越了解我，知道我喜欢听什么样的音乐，甚至能猜出我在某个时刻想听什么音乐，然后播放出来！
其实Spotify(正版流媒体音乐服务平台，2008年6月5438+10月上线)一直在这么做，主要采用以下三种推荐策略:
1.协同过滤寻找兴趣爱好相似的用户，然后将歌单上的歌曲推荐给一方给另一方；
2.NLP，抓取网络上关于音乐的信息，分析用户讨论的特定艺人或歌曲的内容，比如用了哪些形容词，或者用的最多的是哪些词。通过统计分析，可以得到“文化向量”和“顶项”。通过文化向量和高频短语，可以大概率找到风格相似的音乐。
3.原始的音频模型——卷积神经网络(CNN)，通过计算机对音频信息(节奏、音调、音色)进行分析，然后向用户推荐具有相似信息和数据的歌曲。主要用来处理新歌的冷启动问题。
关于音乐的推荐，我个人认为还有以下几个问题没有得到很好的解决:
1.节奏、音调、音色的相似不一定代表情感、风格的相似；
通过计算机技术，我们可以分析音乐的节奏、音调、音色，甚至用户的评论、歌手的信息，但是这些信息能表达音乐的情绪和风格吗？信息新闻的消费是客观的，不带感情的，而音乐不是。相反，音乐的消费很大程度上是由听众和音乐本身所传达的情感决定的。所以，情感匹配至关重要。
2.可以获得听众的用户画像，但不一定能获得听众当前的情感画像；
音乐是情感的表达，不同于兴趣。利息长期稳定。即使用户潜在兴趣被挖掘，基本兴趣画像也是稳定的。我的心情不一样了。前一秒我还在放声大笑，下一秒我可能在担心什么。我的心情会变，稍纵即逝。因此，及时捕捉、分析、存储和处理用户的情感画像是推荐算法面临的巨大挑战。
3.什么是音乐的重复消费？
众所周知，对于新闻资讯，基本上用户只需要看一遍，很少有人会反复看。但音乐不一样，音乐有重复消费的属性。难点在于:你怎么知道用户什么时候听腻了这首歌？你是什么时候突然想听那首你以为听腻了的老歌？
-
以上观点纯属本人拙见，欢迎大神强身健体，交流。