明星动态与独家访谈 机器学习如何发现你可爱的音乐：音乐个性化保举背后的科学道理

本周一，正如其它每个周一，一亿多 Spotify 用户每东谈主王人收到了一个极新的歌单。这个叫作念每周发现的歌单内搀杂了用户从未听过可是可能会可爱的 30首歌曲。成果号称神奇。

我我方是 Spotify 的超等粉丝，对每周发现尤其怜爱。为什么呢？因为我以为它懂我。它比我性射中的任何东谈主王人更明晰我的音乐回味。我很欢欣每周它王人能欣慰我的需求，一如既往地保举一些我我方长期王人不会找到或知谈会可爱的歌曲。

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杜撰好友：

[图片评释: 我的 Spotify 每周发现歌单]

没思到，在这方面我不是一个东谈主，不光是我对每周发现如斯陶醉 – 扫数这个词用户群体王人趋之若鹜。这股上升使得 Spotify 从头移动了它的重点，并在基于算法的歌单上参预了更多的资源。

Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进度几乎毛骨屹然，熟习到就像一个也曾与我有过沿途濒死体验的前女友一样。

Amanda Whitbred: 咫尺 @Spotify 的每周发现对我也曾了解到如果它咫尺求婚，我也会说高兴的地步了。

自「每周发现」在 2015 年第一次上线以来，我就紧要思知谈它是怎么运作的（而且由于我是 Spotify 公司的迷妹，我可爱假装在何处使命并研究他们的家具）。 经过三周的豪恣Google，我终于满怀感德地取得了一些幕后的常识。

是以 Spotify 到底是如何奏凯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如何作念音乐保举，以及 Spotify 是如何更胜一筹的。

在线音乐甄选办事简史

早在千禧年之初，Songza 就运利用用手动甄选为用户提供歌单。手动甄选的道理即是所谓的音乐大众或者其他裁剪会手动挑选一些他们我方认为可以的音乐作念成歌单，然后听众可以径直拿来听。（稍后，Beats 音乐也取舍了相似的战术）。手动甄选成果尚可，可是由于这种法子仅仅纯手工挑选，模样法子也相比浮浅，它并弗成怜惜到每个听众音乐回味的神秘互异。

跟 Songza 一样， Pandora 亦然音乐甄选办事领域的早期玩家之一。它使用了一个略为更高档的法子来代替给歌曲属性手工打标签。即大众在听音乐的时候，对每首歌曲挑选一些描写性的词语来四肢标签。进而，Pandora 的要领可以径直过滤特定的标签来生成包含相似歌曲的歌单。

差未几统一时间，一个附庸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，禁受了一个总共不同的高档战术来定制音乐。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 匠心独具，取舍了另一个沿用于今的战术。那即是利用协同过滤来识别用户可能可爱的音乐。稍后本文会张开盘问更多这方面的内容。

是以说既然其他的音乐甄选办事王人达成了保举功能，Spotify 究竟是怎么操作我方的神奇引擎，来达成甩出竞争敌手几条街的用户回味阐述度的呢？

Spotify 的三种保举模子

事实上 Spotify 并莫得使用什么单一的窜改性保举模子，而是搀杂了一些其他公司使用的最好的战术来创建他们我方唯独无二的强劲发现引擎。

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）。使命道理为分析你和其他用户的活动。 天然谈话惩办（NLP）模子 。使命道理为分析文本。 音频模子。使命道理为分析原始音频声谈自身。

咱们来具体看下这些保举模子是怎么使命的！

保举模子之一：协同过滤

领先先容下配景：当许多东谈主听到协同过滤这几个词的时候，他们会坐窝联思到 Netflix，因为它是第一个利用协同过滤来达成保举模子的公司之一。其作念法主如果使用用户提交的电影星级来野心保举那些电影给其他近似的用户。

自 Netflix 将其奏凯应用以来，协同过滤运行快速流传开来。咫尺不管是谁思达成一个保举模子的话，一般王人会拿它四肢首次尝试。

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，具体来说即是咱们在线听歌的歌曲次数，以过甚他罕见信息，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看望艺术家主页等。

但什么是协同过滤，到底它是如何使命的呢？底下用一段浮松对话来作念一个大要的先容。

啥情况? 原本这俩东谈主内部每东谈主王人有我方的一些歌曲偏好 – 左边的东谈主可爱歌曲 P, Q, R 和 S; 右边的东谈主可爱 Q, R, S 和 T。

协同过滤系统进而利用这些数据得出论断，

“嗯。既然你俩王人可爱疏导的歌曲 – Q，R 和 S – 那么你们可能是近似的用户。是以你们应该会可爱另一个东谈主听过可是你还莫得听过的歌曲。”

系统然后提倡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。听起来够浮浅吧？

可是 Spotify 具体是怎么具体应用这个见识，来野心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 库即可达成

现实中，此处说起的矩阵是极其浩荡的。每行王人代表了 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滑），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 库就运行跑这个漫长而复杂的矩阵领悟公式：

野心完成后，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。

咫尺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理的数字，可是在背面进行相比时会绝顶有用。

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，亦然相似的进程 – 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咫尺正在看的歌曲最相似。

协同过滤如实成果可以，可是 Spotify 深知再添加另外一个引擎的话成果会更出色。这就到了天然谈话惩办出场的时候了。

保举模子之二：天然谈话惩办

Spotify 禁受的第二个保举模子即是天然谈话惩办。这些模子的源数据，正如名字所示，即是一些通俗的谈话笔墨 – 举例歌曲的元数据，新闻著述，博客，和互联网上的其它文本等。

天然谈话惩办 – 野神思清醒东谈主类谈话的能力 – 自身即是一个巨大的领域，庸俗通过情感分析应用编程接口（API）来进行操作惩办。

天然谈话惩办背后的具体道理超出了本文的盘问鸿沟，可是在此本文可以提供一些粗鄙的描写：Spotify 会在网上接续爬取博客帖子以过甚它音乐关系的文本，并找出东谈主们对特定的艺术家和歌曲的驳倒 – 比如说东谈主们对这些歌曲通常使用哪些描画词停火话, 以及哪些其他艺术家和歌曲也会和它们放在沿途盘问。

诚然我不知谈 Spotify 如何惩办他们合手取的数据，可是我可以先容下 The Echo Nest 是如何使用它们的。他们会把数据分类成“文化向量”和“最好考语集”。每个艺术家和歌曲王人稀有以千计的逐日更新的最好考语集。每个考语王人有一个关系的权重，来示意其描写的紧要性（浮浅说即是某东谈主可能会用该考语描写某个音乐的概率）。

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

然后，与协同过滤近似，天然谈话惩办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

领先，你可能会问这个问题：

可是，Sophia，咱们也曾从前两种模子中取得了这样多数据！为什么还要陆续分析音频自身呢？

额，领先要说的是，引入第三个模子会进一步进步这个也曾很优秀的保举办事的准确性。但施行上，禁受这个模子还有另外一个次要场所：原始音频模子会把新歌考虑进来。

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沿途协同过滤它。与此同期，它也在网上也莫得留住若干思绪，是以天然谈话惩办模子也不会提防到它。交运的是，原始音频模子并不分裂新歌曲和热点歌曲。是以有了它的帮衬，你一又友的歌曲也可以和流行歌曲一谈出咫尺每周发现的歌单内部。

好了，到了“如何”的部分了。咱们如何才能分析这些看起来如斯概述的原始音频数据呢？

…用卷积神经麇集！

卷积神经麇集相似亦然复旧面部识别的工夫。只不外在 Spotify 的案例中，他们被稍作修改以基于音频数据惩办而不是像素点。底下是一个神经麇集架构的例子：

[Image credit: Sander Dieleman]

这个特定的神经麇集有四个卷积层，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示意，进而谈论起来酿成频谱图。

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。该层在扫数这个词时间轴上网罗数据，并有用野心和统计歌曲时长内的学习特征。

惩办完之后，神经麇蚁集得出其对歌曲的清醒，包括臆想的时间签名，曲调，调式，球拍及音量等特征。底下即是 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，对这些对歌曲要津特征的清醒可以让 Spotify 来决定歌曲之间的相似度，以及笔据用户听歌历史来判断哪些用户可能会可爱它们。

这些基本涵盖了为每周发现提供解救的保举功课进程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谈论在沿途，其中包括利用海量的数据存储以及绝顶多的 Hadoop 集群来作念保举办事的膨胀，使得引擎得以野心巨型矩阵，用之握住的互联网音乐著述和广大的音频文献。

我但愿本文可以对你有所启发，况兼像那时它对我一样大致激起你的趣味。怀着对幕后的机器学习工夫的了解和感恩之情，咫尺我将通过我我方的每周发现来寻找我可爱的音乐。