游戏技巧与策略 机器学习若何发现你心爱的音乐：音乐个性化保举背后的科学旨趣

本周一，正如其它每个周一，一亿多 Spotify 用户每东谈主皆收到了一个清新的歌单。这个叫作念每周发现的歌单内混杂了用户从未听过然而可能会心爱的 30首歌曲。效用号称神奇。

我我方是 Spotify 的超等粉丝，对每周发现尤其醉心。为什么呢？因为我以为它懂我。它比我性掷中的任何东谈主皆更披露我的音乐回味。我很快活每周它皆能得意我的需求，一如既往地保举一些我我方永久皆不会找到或知谈会心爱的歌曲。

关于那些两耳不闻窗外事的东谈主们，请允许我先容一下我的臆造好友：

[图片评释: 我的 Spotify 每周发现歌单]

没念念到，在这方面我不是一个东谈主，不光是我对每周发现如斯沉迷 – 所有用户群体皆趋之若鹜。这股激越使得 Spotify 从头诊疗了它的要点，并在基于算法的歌单上插足了更多的资源。

Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进度几乎屁滚尿流，老练到就像一个也曾与我有过一齐濒死体验的前女友一样。

Amanda Whitbred: 当今 @Spotify 的每周发现对我一经了解到如果它当今求婚，我也会说得意的地步了。

自「每周发现」在 2015 年第一次上线以来，我就进军念念知谈它是若何运作的（而且由于我是 Spotify 公司的迷妹，我心爱假装在那处使命并揣测他们的家具）。 经过三周的大肆Google，我终于满怀感德地赢得了一些幕后的常识。

是以 Spotify 到底是若何收效作念到给每东谈主每周挑选 30 首歌曲的？咱们先来仔细看下其它的音乐办事是若何作念音乐保举，以及 Spotify 是若何更胜一筹的。

在线音乐甄选办事简史

早在千禧年之初，Songza 就开动使用手动甄选为用户提供歌单。手动甄选的真谛等于所谓的音乐巨匠或者其他剪辑会手动挑选一些他们我方认为可以的音乐作念成歌单，然后听众可以班师拿来听。（稍后，Beats 音乐也采取了相通的计谋）。手动甄选效用尚可，然而由于这种步调仅仅纯手工挑选，神色步调也相比简便，它并弗成温暖到每个听众音乐回味的机密互异。

跟 Songza 一样， Pandora 亦然音乐甄选办事界限的早期玩家之一。它使用了一个略为更高等的步调来代替给歌曲属性手工打标签。即群众在听音乐的时候，对每首歌曲挑选一些描述性的词语来当作标签。进而，Pandora 的要领可以班师过滤特定的标签来生成包含相似歌曲的歌单。

差未几并吞时候，一个隶属于麻省理工学院媒体实验室的名叫 The Echo Nest 的音乐信息机构，继承了一个统共不同的高等计谋来定制音乐。The Echo Nest 使用算法来分析音频和音乐的文本内容，以完成音乐识别，个性化保举，歌单创建和分析等。

终末，是 Last.fm 别具肺肠，采取了另一个沿用于今的计谋。那等于诳骗协同过滤来识别用户可能心爱的音乐。稍后本文会伸开有计划更多这方面的内容。

是以说既然其他的音乐甄选办事皆已毕了保举功能，Spotify 究竟是若何操作我方的神奇引擎，来已毕甩出竞争敌手几条街的用户回味领悟度的呢？

Spotify 的三种保举模子

事实上 Spotify 并莫得使用什么单一的创新性保举模子，而是混杂了一些其他公司使用的最好的计谋来创建他们我方惟一无二的矍铄发现引擎。

Spotify 使用三种主要的保举模子来创建每周发现：

协同过滤模子（即 Last.fm 最早使用的那些模子）。使命旨趣为分析你和其他用户的行动。 天然说话科罚（NLP）模子 。使命旨趣为分析文本。 音频模子。使命旨趣为分析原始音频声谈本人。

咱们来具体看下这些保举模子是若何使命的！

保举模子之一：协同过滤

当先先容下配景：当许多东谈主听到协同过滤这几个词的时候，他们会坐窝联念念到 Netflix，因为它是第一个诳骗协同过滤来已毕保举模子的公司之一。其作念法主淌若使用用户提交的电影星级来算计保举那些电影给其他雷同的用户。

自 Netflix 将其收效应用以来，协同过滤开动快速流传开来。当今岂论是谁念念已毕一个保举模子的话，一般皆会拿它当作初度尝试。

与Netflix不同的是，Spotify 并莫得用户对他们音乐的星级评价数据。Spotify 所用的数据是隐形响应的，具体来说等于咱们在线听歌的歌曲次数，以偏执他特殊信息，诸如用户是否保存歌曲到个东谈主歌单，或者听完歌曲后是否接着造访艺术家主页等。

但什么是协同过滤，到底它是若何使命的呢？底下用一段轻便对话来作念一个圣洁的先容。

啥情况? 蓝本这俩东谈主内部每东谈主皆有我方的一些歌曲偏好 – 左边的东谈主心爱歌曲 P, Q, R 和 S; 右边的东谈主心爱 Q, R, S 和 T。

协同过滤系统进而诳骗这些数据得出论断，

“嗯。既然你俩皆心爱交流的歌曲 – Q，R 和 S – 那么你们可能是雷同的用户。是以你们应该会心爱另一个东谈主听过然而你还莫得听过的歌曲。”

系统然后刻薄右边的东谈主去体验下歌曲 P，以及左边的东谈主去体验下歌曲 T。听起来够简便吧？

然而 Spotify 具体是若何具体应用这个观念，来算计基于百万级的用户偏好从而得出数以百万计的用户歌曲保举呢？

…矩阵运算，用 Python 库即可已毕

试验中，此处说起的矩阵是极其纷乱的。每行皆代表了 Spotify 的一亿四千万用户中的一员（如果你也用 Spotify，那么你亦然这个矩阵中的一溜），而每一列则代表了 Spotify 数据库中三亿首歌曲中的一首。

然后，Python 库就开动跑这个漫长而复杂的矩阵判辨公式：

算计完成后，系统会生成两种类型的向量，在此分别定名为 X 和 Y。X 为用户向量，代表单个用户的音乐回味。Y 则为歌曲向量，代表单支歌曲的特征。

当今咱们得到了一亿四千万个用户向量，每东谈主一个，还有三亿歌曲向量。这些向量的具体内容仅仅一些单独拎出来自身并无真谛的数字，然而在背面进行相比时会越过有用。

为了找到那些跟我相似回味的用户，协同过滤系统会拿我的向量跟其他用户的向量作相比，最终会找到那些跟我最相似的用户。关于 Y 向量，亦然相通的经过 – 你可以拿一首歌的向量与其他的歌曲向量作念相比，进而找出哪些歌曲是跟你当今正在看的歌曲最相似。

协同过滤确乎效用可以，然而 Spotify 深知再添加另外一个引擎的话效用会更出色。这就到了天然说话科罚出场的时候了。

保举模子之二：天然说话科罚

Spotify 继承的第二个保举模子等于天然说话科罚。这些模子的源数据，正如名字所示，等于一些平常的说话笔墨 – 举例歌曲的元数据，新闻著作，博客，和互联网上的其它文本等。

天然说话科罚 – 算计机相识东谈主类说话的才调 – 本人等于一个巨大的界限，平庸通过情绪分析应用编程接口（API）来进行操作科罚。

天然说话科罚背后的具体旨趣超出了本文的有计划范围，然而在此本文可以提供一些粗陋的描述：Spotify 会在网上不停爬取博客帖子以偏执它音乐有关的文本，并找出东谈主们对特定的艺术家和歌曲的驳斥 – 比如说东谈主们对这些歌曲无间使用哪些描述词和说话, 以及哪些其他艺术家和歌曲也会和它们放在一齐有计划。

天然我不知谈 Spotify 若何科罚他们持取的数据，然而我可以先容下 The Echo Nest 是若何使用它们的。他们会把数据分类成“文化向量”和“最好考语集”。每个艺术家和歌曲皆稀有以千计的逐日更新的最好考语集。每个考语皆有一个有关的权重，来暗示其描述的重大性（简便说等于某东谈主可能会用该考语描述某个音乐的概率）。

[ “Cultural vectors”, or “top terms”, as used by the Echo Nest. Table from Brian Whitman]

然后，与协同过滤雷同，天然说话科罚模子用这些考语和权重来创建一个歌曲的抒发向量，可以用来细目两首音乐是否相似。很酷吧？

保举模子之三：原始音频模子

当先，你可能会问这个问题：

然而，Sophia，咱们一经从前两种模子中赢得了这样多数据！为什么还要连续分析音频本人呢？

额，当先要说的是，引入第三个模子会进一步擢升这个一经很优秀的保举办事的准确性。但骨子上，继承这个模子还有另外一个次要方向：原始音频模子会把新歌酌量进来。

比如说，你的创作歌手一又友在 Spotify 上刚放上了一首新歌。可能它唯独 50 次听歌纪录，是以很少能有其他听众来一齐协同过滤它。与此同期，它也在网上也莫得留住若干踪迹，是以天然说话科罚模子也不会贯注到它。运道的是，原始音频模子并不折柳新歌曲和热点歌曲。是以有了它的襄理，你一又友的歌曲也可以和流行歌曲一谈出当今每周发现的歌单内部。

好了，到了“若何”的部分了。咱们若何才能分析这些看起来如斯轮廓的原始音频数据呢？

…用卷积神经汇注！

卷积神经汇注相通亦然撑持面部识别的本领。只不外在 Spotify 的案例中，他们被稍作修改以基于音频数据科罚而不是像素点。底下是一个神经汇注架构的例子：

[Image credit: Sander Dieleman]

这个特定的神经汇注有四个卷积层，具体为图中左侧的宽柱，和右边的略微窄些的三根柱。输入是音频帧的时频暗示，进而贯穿起来酿成频谱图。

音频帧会穿过这些卷积层，经过终末一个卷积层，你可以看到一个“全局临时池”层。该层在所偶然候轴上收罗数据，并有用算计和统计歌曲时长内的学习特征。

科罚完之后，神经汇注会得出其对歌曲的相识，包括规画的时候签名，曲调，调式，球拍及音量等特征。底下等于 Draft Punk 的 “Around the World” 30 秒片断的数据图。

[Image Credit: Tristan Jehan & David DesRoches (The Echo Nest)]

最终，对这些对歌曲要害特征的相识可以让 Spotify 来决定歌曲之间的相似度，以及阐发用户听歌历史来判断哪些用户可能会心爱它们。

这些基本涵盖了为每周发现提供维持的保举功课经过所依赖的三种主要模子。

[ Cassandra instances]

天然了，这些保举模子也和 Spotify 其它更大的生态系统贯穿在一齐，其中包括诳骗海量的数据存储以及越过多的 Hadoop 集群来作念保举办事的彭胀，使得引擎得以算计巨型矩阵，取之不尽的互联网音乐著作和普遍的音频文献。

我但愿本文可以对你有所启发，况且像那时它对我一样大致激起你的意思意思。怀着对幕后的机器学习本领的了解和谢意之情，当今我将通过我我方的每周发现来寻找我心爱的音乐。