明星活动与动态更新 机器学习怎样发现你可爱的音乐：音乐个性化推选背后的科学旨趣

本周一，正如其它每个周一，一亿多 Spotify 用户每东说念主都收到了一个簇新的歌单。这个叫作念每周发现的歌单内搀杂了用户从未听过然而可能会可爱的 30首歌曲。死心号称神奇。

我我方是 Spotify 的超等粉丝，对每周发现尤其疼爱。为什么呢？因为我合计它懂我。它比我性射中的任何东说念主都更明晰我的音乐试吃。我很清闲每周它都能知足我的需求，一如既往地推选一些我我方永久都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造谣好友：

[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迷 – 总计这个词用户群体都趋之若鹜。这股喜跃使得 Spotify 重新转机了它的要点，并在基于算法的歌单上进入了更多的资源。

Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进程险些心惊胆战，闇练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: 咫尺 @Spotify 的每周发现对我依然了解到如果它咫尺求婚，我也会说愉快的地步了。

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何如运作的（而且由于我是 Spotify 公司的迷妹，我可爱假装在那儿职责并商量他们的家具）。 经过三周的汗漫Google，我终于满怀感德地获得了一些幕后的学问。

是以 Spotify 到底是怎样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做事是怎样作念音乐推选，以及 Spotify 是怎样更胜一筹的。

在线音乐甄选做事简史

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，然后听众可以平直拿来听。（稍后，Beats 音乐也弃取了不异的政策）。手动甄选死心尚可，然而由于这种步调仅仅纯手工挑选，表情步调也相比通俗，它并不可暖和到每个听众音乐试吃的巧妙互异。

跟 Songza 一样， Pandora 亦然音乐甄选做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。即大家在听音乐的时候，对每首歌曲挑选一些描述性的词语来看成标签。进而，Pandora 的要领可以平直过滤特定的标签来生成包含相似歌曲的歌单。

差未几销毁时分，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，弃取了一个都备不同的高等政策来定制音乐。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，个性化推选，歌单创建和分析等。

终末，是 Last.fm 独辟路子，弃取了另一个沿用于今的政策。那等于左右协同过滤来识别用户可能可爱的音乐。稍后本文会张开商讨更多这方面的内容。

是以说既然其他的音乐甄选做事都完毕了推选功能，Spotify 究竟是何如操作我方的神奇引擎，来完毕甩出竞争敌手几条街的用户试吃证实度的呢？

Spotify 的三种推选模子

事实上 Spotify 并莫得使用什么单一的篡改性推选模子，而是搀杂了一些其他公司使用的最好的政策来创建他们我方唯独无二的苍劲发现引擎。

Spotify 使用三种主要的推选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。 天然言语科罚（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说念本人。

咱们来具体看下这些推选模子是何如职责的！

推选模子之一：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，因为它是第一个左右协同过滤来完毕推选模子的公司之一。其作念法主若是使用用户提交的电影星级来缱绻推选那些电影给其他雷同的用户。

自 Netflix 将其告捷应用以来，协同过滤开动快速流传开来。咫尺不管是谁念念完毕一个推选模子的话，一般都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，具体来说等于咱们在线听歌的歌曲次数，以偏激他额外信息，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探问艺术家主页等。

但什么是协同过滤，到底它是怎样职责的呢？底下用一段轻便对话来作念一个毛糙的先容。

啥情况? 正本这俩东说念主内部每东说念主都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。

协同过滤系统进而左右这些数据得出论断，

“嗯。既然你俩都可爱相通的歌曲 – 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。”

系统然后坑诰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。听起来够通俗吧？

然而 Spotify 具体是何如具体应用这个主张，来缱绻基于百万级的用户偏好从而得出数以百万计的用户歌曲推选呢？

…矩阵运算，用 Python 库即可完毕

践诺中，此处说起的矩阵是极其高大的。每行都代表了 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瞥），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解析公式：

缱绻完成后，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。

咫尺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真谛的数字，然而在后头进行相比时会异常有用。

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，亦然不异的历程 – 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。

协同过滤如实死心可以，然而 Spotify 深知再添加另外一个引擎的话死心会更出色。这就到了天然言语科罚出场的时候了。

推选模子之二：天然言语科罚

Spotify 弃取的第二个推选模子等于天然言语科罚。这些模子的源数据，正如名字所示，等于一些通俗的言语翰墨 – 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。

天然言语科罚 – 缱绻机透露东说念主类言语的武艺 – 本人等于一个巨大的界限，等闲通过情感分析应用编程接口（API）来进行操作科罚。

天然言语科罚背后的具体旨趣超出了本文的商讨范围，然而在此本文可以提供一些古板的描述：Spotify 会在网上束缚爬取博客帖子以偏激它音乐相关的文本，并找出东说念主们对特定的艺术家和歌曲的指摘 – 比如说东说念主们对这些歌曲等闲使用哪些描述词和言语, 以及哪些其他艺术家和歌曲也会和它们放在全部商讨。

天然我不知说念 Spotify 怎样科罚他们捏取的数据，然而我可以先容下 The Echo Nest 是怎样使用它们的。他们会把数据分类成“文化向量”和“最好考语集”。每个艺术家和歌曲都迥殊以千计的逐日更新的最好考语集。每个考语都有一个相关的权重，来暗示其描述的强大性（通俗说等于某东说念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，天然言语科罚模子用这些考语和权重来创建一个歌曲的抒发向量，可以用来详情两首音乐是否相似。很酷吧？

推选模子之三：原始音频模子

最初，你可能会问这个问题：

然而，Sophia，咱们依然从前两种模子中获得了这样多数据！为什么还要赓续分析音频本人呢？

额，最初要说的是，引入第三个模子会进一步擢升这个依然很优秀的推选做事的准确性。但本体上，弃取这个模子还有另外一个次要主见：原始音频模子会把新歌研讨进来。

比如说，你的创作歌手一又友在 Spotify 上刚放上了一首新歌。可能它唯有 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几许陈迹，是以天然言语科罚模子也不会端庄到它。幸运的是，原始音频模子并不永诀新歌曲和热点歌曲。是以有了它的帮衬，你一又友的歌曲也可以和流行歌曲一说念出咫尺每周发现的歌单内部。

好了，到了“怎样”的部分了。咱们怎样才能分析这些看起来如斯详细的原始音频数据呢？

…用卷积神经汇注！

卷积神经汇注不异亦然相沿面部识别的手艺。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，和右边的稍稍窄些的三根柱。输入是音频帧的时频暗示，进而陆续起来酿成频谱图。

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。该层在总计这个词时分轴上采集数据，并有用缱绻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透露，包括推测的时分签名，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，对这些对歌曲要道特征的透露可以让 Spotify 来决定歌曲之间的相似度，以及凭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接济的推选功课历程所依赖的三种主要模子。

[ Cassandra instances]

天然了，这些推选模子也和 Spotify 其它更大的生态系统陆续在全部，其中包括左右海量的数据存储以及异常多的 Hadoop 集群来作念推选做事的推广，使得引擎得以缱绻巨型矩阵，源源束缚的互联网音乐著作和多半的音频文献。

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