明星动态与活动分析 机器学习怎么发现你可爱的音乐：音乐个性化保举背后的科学道理
发布日期：2025-01-11 08:47 点击次数：66
本周一，正如其它每个周一，一亿多 Spotify 用户每东说念主皆收到了一个新鲜的歌单。这个叫作念每周发现的歌单内夹杂了用户从未听过然而可能会可爱的 30首歌曲。后果号称神奇。
我我方是 Spotify 的超等粉丝，对每周发现尤其怜爱。为什么呢？因为我认为它懂我。它比我性射中的任何东说念主皆更明晰我的音乐试吃。我很沸腾每周它皆能自在我的需求，一如既往地保举一些我我方永恒皆不会找到或知说念会可爱的歌曲。
关于那些两耳不闻窗外事的东说念主们，请允许我先容一下我的诬捏好友：
[图片讲明: 我的 Spotify 每周发现歌单]
没念念到，在这方面我不是一个东说念主，不光是我对每周发现如斯沉溺 – 总共这个词用户群体皆趋之若鹜。这股高潮使得 Spotify 再行转换了它的要点，并在基于算法的歌单上干预了更多的资源。
Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进程几乎屁滚尿流，熟谙到就像一个也曾与我有过全部濒死体验的前女友一样。
Amanda Whitbred: 目下 @Spotify 的每周发现对我照旧了解到如果它目下求婚，我也会说甘愿的地步了。
自「每周发现」在 2015 年第一次上线以来，我就紧迫念念知说念它是怎么运作的（而且由于我是 Spotify 公司的迷妹，我可爱假装在何处使命并筹划他们的产物）。 经过三周的跋扈Google，我终于满怀感德地获得了一些幕后的学问。
是以 Spotify 到底是怎么告捷作念到给每东说念主每周挑选 30 首歌曲的？咱们先来仔细看下其它的音乐处事是怎么作念音乐保举，以及 Spotify 是怎么更胜一筹的。
在线音乐甄选处事简史
早在千禧年之初，Songza 就运诓骗用手动甄选为用户提供歌单。手动甄选的兴味即是所谓的音乐各人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，然后听众可以径直拿来听。（稍后，Beats 音乐也弃取了相同的计策）。手动甄选后果尚可，然而由于这种措施仅仅纯手工挑选，边幅措施也相比简单，它并不可关心到每个听众音乐试吃的苦衷相反。
跟 Songza 一样， Pandora 亦然音乐甄选处事范围的早期玩家之一。它使用了一个略为更高等的措施来代替给歌曲属性手工打标签。即宇宙在听音乐的时候，对每首歌曲挑选一些描画性的词语来行动标签。进而，Pandora 的门径可以径直过滤特定的标签来生成包含相似歌曲的歌单。
差未几统一时刻，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，弃取了一个填塞不同的高等计策来定制音乐。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。
临了，是 Last.fm 别具肺肠，弃取了另一个沿用于今的计策。那即是利用协同过滤来识别用户可能可爱的音乐。稍后本文会张开究诘更多这方面的内容。
是以说既然其他的音乐甄选处事皆杀青了保举功能，Spotify 究竟是怎么操作我方的神奇引擎，来杀青甩出竞争敌手几条街的用户试吃贯通度的呢？
Spotify 的三种保举模子
事实上 Spotify 并莫得使用什么单一的翻新性保举模子，而是夹杂了一些其他公司使用的最好的计策来创建他们我方惟一无二的刚硬发现引擎。
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行动。 天然谈话料理（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说念本人。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
最初先容下配景：当许多东说念主听到协同过滤这几个词的时候，他们会坐窝联念念到 Netflix，因为它是第一个利用协同过滤来杀青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筹划保举那些电影给其他近似的用户。
自 Netflix 将其告捷应用以来，协同过滤运行快速流传开来。目下无论是谁念念杀青一个保举模子的话，一般皆会拿它行动初度尝试。
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 所用的数据是隐形反应的，具体来说即是咱们在线听歌的歌曲次数，以偏执他特地信息，诸如用户是否保存歌曲到个东说念主歌单，或者听完歌曲后是否接着调查艺术家主页等。
但什么是协同过滤，到底它是怎么使命的呢？底下用一段轻便对话来作念一个大要的先容。
啥情况? 蓝本这俩东说念主内部每东说念主皆有我方的一些歌曲偏好 – 左边的东说念主可爱歌曲 P, Q, R 和 S; 右边的东说念主可爱 Q, R, S 和 T。
协同过滤系统进而利用这些数据得出论断，
“嗯。既然你俩皆可爱沟通的歌曲 – 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说念主听过然而你还莫得听过的歌曲。”
系统然后冷漠右边的东说念主去体验下歌曲 P，以及左边的东说念主去体验下歌曲 T。听起来够简单吧？
然而 Spotify 具体是怎么具体应用这个主见，来筹划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 库即可杀青
履行中，此处说起的矩阵是极其高大的。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 库就运行跑这个漫长而复杂的矩阵理会公式：
筹划完成后，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试吃。Y 则为歌曲向量，代表单支歌曲的特征。
目下咱们得到了一亿四千万个用户向量，每东说念主一个，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道理的数字，然而在背面进行相比时会很是有用。
为了找到那些跟我相似试吃的用户，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，亦然相同的过程 – 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目下正在看的歌曲最相似。
协同过滤照实后果可以，然而 Spotify 深知再添加另外一个引擎的话后果会更出色。这就到了天然谈话料理出场的时候了。
保举模子之二：天然谈话料理
Spotify 弃取的第二个保举模子即是天然谈话料理。这些模子的源数据，正如名字所示，即是一些平淡的谈话翰墨 – 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。
天然谈话料理 – 筹划机意会东说念主类谈话的才略 – 本人即是一个巨大的范围，泛泛通过心情分析应用编程接口（API）来进行操作料理。
天然谈话料理背后的具体道理超出了本文的究诘范围，然而在此本文可以提供一些毛糙的描画：Spotify 会在网上连接爬取博客帖子以偏执它音乐联系的文本，并找出东说念主们对特定的艺术家和歌曲的批驳 – 比如说东说念主们对这些歌曲泛泛使用哪些描画词寝兵话, 以及哪些其他艺术家和歌曲也会和它们放在全部究诘。
天然我不知说念 Spotify 怎么料理他们合手取的数据，然而我可以先容下 The Echo Nest 是怎么使用它们的。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。每个考语皆有一个联系的权重，来暗示其描画的紧要性（简单说即是某东说念主可能会用该考语描画某个音乐的概率）。
[ “Cultural vectors”, or “top terms”, as used by the Echo Nest. Table from Brian Whitman]
然后，与协同过滤近似，天然谈话料理模子用这些考语和权重来创建一个歌曲的抒发向量，可以用来笃定两首音乐是否相似。很酷吧？
保举模子之三：原始音频模子
最初，你可能会问这个问题：
然而，Sophia，咱们照旧从前两种模子中获得了这样多数据！为什么还要陆续分析音频本人呢？
额，最初要说的是，引入第三个模子会进一步提升这个照旧很优秀的保举处事的准确性。但实质上，弃取这个模子还有另外一个次要指标：原始音频模子会把新歌计划进来。
比如说，你的创作歌手一又友在 Spotify 上刚放上了一首新歌。可能它惟有 50 次听歌纪录，是以很少能有其他听众来全部协同过滤它。与此同期，它也在网上也莫得留住若干萍踪，是以天然谈话料理模子也不会瞩目到它。走时的是，原始音频模子并不折柳新歌曲和热点歌曲。是以有了它的襄助，你一又友的歌曲也可以和流行歌曲一说念出目下每周发现的歌单内部。
好了，到了“怎么”的部分了。咱们怎么才略分析这些看起来如斯概括的原始音频数据呢？
…用卷积神经汇集！
卷积神经汇集相同亦然赞助面部识别的技巧。只不外在 Spotify 的案例中，他们被稍作修改以基于音频数据料理而不是像素点。底下是一个神经汇集架构的例子：
[Image credit: Sander Dieleman]
这个特定的神经汇集有四个卷积层，具体为图中左侧的宽柱，和右边的稍许窄些的三根柱。输入是音频帧的时频暗示，进而畅通起来变成频谱图。
音频帧会穿过这些卷积层，经过临了一个卷积层，你可以看到一个“全局临时池”层。该层在总共这个词时刻轴上网罗数据，并灵验筹划和统计歌曲时长内的学习特征。
料理完之后，神经汇聚集得出其对歌曲的意会，包括忖度的时刻签名，调子，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，对这些对歌曲缺陷特征的意会可以让 Spotify 来决定歌曲之间的相似度，以及字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救援的保举功课过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畅通在全部，其中包括利用海量的数据存储以及很是多的 Hadoop 集群来作念保举处事的膨胀，使得引擎得以筹划巨型矩阵，用之不停的互联网音乐著述和无数的音频文献。
我但愿本文可以对你有所启发，况兼像其时它对我一样或者激起你的兴趣。怀着对幕后的机器学习技巧的了解和感恩之情，目下我将通过我我方的每周发现来寻找我可爱的音乐。