游戏最新资讯速递 机器学习如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心爱的 30首歌曲。成果号称神奇。

我我方是 Spotify 的超等粉丝，对每周发现尤其宠爱。为什么呢？因为我认为它懂我。它比我性掷中的任何东谈主皆更了了我的音乐试吃。我很称心每周它皆能骄贵我的需求，一如既往地保举一些我我方耐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编造好友：

[图片发挥: 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留恋 – 所有这个词用户群体皆趋之若鹜。这股激越使得 Spotify 再行调换了它的重点，并在基于算法的歌单上过问了更多的资源。

Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进程险些局促不安，熟识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: 现时 @Spotify 的每周发现对我仍是了解到如果它现时求婚，我也会说答允的地步了。

自「每周发现」在 2015 年第一次上线以来，我就挫折念念知谈它是若何运作的（而且由于我是 Spotify 公司的迷妹，我心爱假装在何处职责并推敲他们的居品）。 经过三周的豪恣Google，我终于满怀感德地得回了一些幕后的常识。

是以 Spotify 到底是如何告成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就业是如何作念音乐保举，以及 Spotify 是如何更胜一筹的。

在线音乐甄选就业简史

早在千禧年之初，Songza 就开动使用手动甄选为用户提供歌单。手动甄选的真理即是所谓的音乐众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 音乐也遴荐了相通的政策）。手动甄选成果尚可，然而由于这种步履仅仅纯手工挑选，表情步履也比拟简陋，它并弗成和蔼到每个听众音乐试吃的高明各别。

跟 Songza 一样， Pandora 亦然音乐甄选就业范围的早期玩家之一。它使用了一个略为更高档的步履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述性的词语来看成标签。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。

差未几团结时辰，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，收受了一个透顶不同的高档政策来定制音乐。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。

终末，是 Last.fm 独辟门路，遴荐了另一个沿用于今的政策。那即是运用协同过滤来识别用户可能心爱的音乐。稍后本文会张开推敲更多这方面的内容。

是以说既然其他的音乐甄选就业皆竣事了保举功能，Spotify 究竟是若何操作我方的神奇引擎，来竣事甩出竞争敌手几条街的用户试吃通晓度的呢？

Spotify 的三种保举模子

事实上 Spotify 并莫得使用什么单一的立异性保举模子，而是夹杂了一些其他公司使用的最好的政策来创建他们我方惟一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）。职责旨趣为分析你和其他用户的行为。 天然讲话科罚（NLP）模子 。职责旨趣为分析文本。 音频模子。职责旨趣为分析原始音频声谈自己。

咱们来具体看下这些保举模子是若何职责的！

保举模子之一：协同过滤

最初先容下布景：当好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，因为它是第一个运用协同过滤来竣事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计较保举那些电影给其他雷同的用户。

自 Netflix 将其告成应用以来，协同过滤开动快速流传开来。现时岂论是谁念念竣事一个保举模子的话，一般皆会拿它看成首次尝试。

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，以偏激他特地信息，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，到底它是如何职责的呢？底下用一段简陋对话来作念一个大约的先容。

啥情况? 正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。

协同过滤系统进而运用这些数据得出论断，

“嗯。既然你俩皆心爱相通的歌曲 – 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。”

系统然后提议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。听起来够简陋吧？

然而 Spotify 具体是若何具体应用这个主张，来计较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 库即可竣事

现实中，此处说起的矩阵是极其雄伟的。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 库就开动跑这个漫长而复杂的矩阵瓦解公式：

计较完成后，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。

现时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真理的数字，然而在背面进行比拟时会特出有用。

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比拟，最终会找到那些跟我最相似的用户。关于 Y 向量，亦然相通的过程 – 你可以拿一首歌的向量与其他的歌曲向量作念比拟，进而找出哪些歌曲是跟你现时正在看的歌曲最相似。

协同过滤照实成果可以，然而 Spotify 深知再添加另外一个引擎的话成果会更出色。这就到了天然讲话科罚出场的时候了。

保举模子之二：天然讲话科罚

Spotify 收受的第二个保举模子即是天然讲话科罚。这些模子的源数据，正如名字所示，即是一些往往的讲话笔墨 – 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。

天然讲话科罚 – 计较机交融东谈主类讲话的才略 – 自己即是一个巨大的范围，往往通过厚谊分析应用编程接口（API）来进行操作科罚。

天然讲话科罚背后的具体旨趣超出了本文的推敲范围，然而在此本文可以提供一些不祥的描述：Spotify 会在网上握住爬取博客帖子以偏激它音乐关连的文本，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边幅词和讲话, 以及哪些其他艺术家和歌曲也会和它们放在全部推敲。

固然我不知谈 Spotify 如何科罚他们捏取的数据，然而我可以先容下 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”。每个艺术家和歌曲皆荒芜以千计的逐日更新的最好考语集。每个考语皆有一个关连的权重，来暗示其描述的首要性（简陋说即是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，天然讲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，可以用来确信两首音乐是否相似。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，咱们仍是从前两种模子中得回了这样多数据！为什么还要继续分析音频自己呢？

额，最初要说的是，引入第三个模子会进一步晋升这个仍是很优秀的保举就业的准确性。但实践上，收受这个模子还有另外一个次要方向：原始音频模子会把新歌议论进来。

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 次听歌记载，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思路，是以天然讲话科罚模子也不会注目到它。红运的是，原始音频模子并不诀别新歌曲和热点歌曲。是以有了它的维护，你一又友的歌曲也可以和流行歌曲一谈出现时每周发现的歌单内部。

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

…用卷积神经集聚！

卷积神经集聚相通亦然营救面部识别的本领。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。底下是一个神经集聚架构的例子：

[Image credit: Sander Dieleman]

这个特定的神经集聚有四个卷积层，具体为图中左侧的宽柱，和右边的稍稍窄些的三根柱。输入是音频帧的时频暗示，进而邻接起来变成频谱图。

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。该层在所有这个词时辰轴上网罗数据，并灵验计较和统计歌曲时长内的学习特征。

科罚完之后，神经集聚会得出其对歌曲的交融，包括揣测的时辰签名，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，对这些对歌曲关节特征的交融可以让 Spotify 来决定歌曲之间的相似度，以及凭证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营救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邻接在全部，其中包括运用海量的数据存储以及特出多的 Hadoop 集群来作念保举就业的推广，使得引擎得以计较巨型矩阵，源源握住的互联网音乐著作和大皆的音频文献。

我但愿本文可以对你有所启发，而况像那时它对我一样好像激起你的深嗜。怀着对幕后的机器学习本领的了解和感恩之情，现时我将通过我我方的每周发现来寻找我心爱的音乐。