推薦算法可以通過APP表現(xiàn)進行反推，不會100%準確，但應該也八九不離十。

推薦算法可以通過APP表現(xiàn)進行反推，不會100%準確，但應該也八九不離十。

推薦依據(jù)

推薦算法不是無根之水，它必須借助用戶的數(shù)據(jù)才可以進行推薦。即使是冷啟動，也需要獲得你的微博、微信（你的登錄方式）或其他已注冊用戶的熱門喜好。

具體的數(shù)據(jù)包括：

• 瀏覽記錄
• 頁面停留時間
• 歌曲播放次數(shù)
• 點擊歌曲但未播放記錄
• 點擊歌曲且播放完成記錄
• 歌曲、歌單、歌手的收藏記錄
• 歌單播放次數(shù)和歌曲所屬標簽
• 個人屬性（性別，年齡，地理位置等）

……

這樣的數(shù)據(jù)在算法模型里叫做特征，也就是通過這些歷史行為數(shù)據(jù)中的特征，推薦算法可以進行非常精準的個性化推薦。在幾年前，網(wǎng)易云音樂其實還沒有那么“神”，很多推薦莫名其妙，但是現(xiàn)在的算法相對來說已經(jīng)非常精準了。

推薦算法

在說歌單的同時，也會給大家看看網(wǎng)易云音樂這個APP里一共有哪些地方用到了推薦算法：

• 場景一：開屏廣告（按用戶畫像推薦/全量發(fā)布）
• 場景二：私人FM（實時推薦）
• 場景三：主頁推薦-每日推薦、歌單推薦、電臺推薦（搜索召回排序、多因素加權）
• 場景四：云村推薦-云村廣場、好友動態(tài)（搜索召回排序、多因素加權）
• 場景五：視頻推薦(根據(jù)歷史行為精準推薦)

算法：有時候打開的廣告會不一樣，有時候會重復。全屏廣告費用很高，假如不是獨占類型的，那這塊用到的可能有一些簡單的人群匹配或者用戶畫像。如果是單次廣告獨占，則有可能是按照廣告商的要求投放。18年之前沒有這個廣告功能，但是網(wǎng)易要恰飯的，能理解。

場景二：私人FM（實時推薦）

私人FM和電音位于個人主頁的頭部位置，用戶點擊率非常高。因為二者本質上很相似，這里只談FM的算法。

私人FM和單曲、歌單推薦的最大區(qū)別是，歌單推薦是一次性生成一個歌曲/歌單列表，但FM只推薦下一首，沒有“上一首”功能，這意味著推薦算法會更關注你的瞬時興趣。因為FM只有喜歡、聽完、切歌三種反饋，相對來說比歌單推薦要簡單很多，但相對的，信息也少了很多。

可以推算，F(xiàn)M用到的具體方式是由“播放、喜歡、切歌”來判斷用戶對推薦結果的喜好程度。使用的算法應該是相似性召回和基于用戶、基于內(nèi)容的協(xié)同過濾三合一，這一點和單曲推薦很相似，甚至兩個功能都使用了用一套推薦算法。

FM有個額外的要求是實時推薦，可以將私人FM理解為一個由動態(tài)變化的推薦歌曲組成的歌曲序列，這里面應該使用了深度學習算法中的“下一項推薦”模型來生成，用到的可能有Transformer或GRU/RNN模型。

實時推薦的意思是，上一首是“l(fā)emon”，如果你聽完了，那么下一首可能會給你推薦米津玄師的另一首歌，或者相似的日文歌。如果我在聽小英雄的OP，但沒聽完就切歌了，那么序列中的下一首本來是冰海戰(zhàn)紀的ED，此刻可能就會變?yōu)橐皇子⑽牧餍懈琛?/p>

場景三：主頁推薦（這塊包含的比較多，最主要的是“推薦歌單”功能）

算法反推：頁面可以拆開來看

（1）每日推薦（多因素加權）

這里用到的是單曲推薦，具體算法不難想到，從我的每日推薦歌曲來看，基本是：

• 我聽過的歌手的其他單曲
• 我聽過的歌曲所屬分類的其他熱門歌曲
• 我聽過、收藏過、評論過的歌曲
• 聽過我聽過歌曲的人，聽過的其他熱門歌曲

每個部分都分配有不同權重，權重高的，推薦的位置（排序機制）就會靠前，權重低的則會靠后。比如我的列表里，藍蓮花排名第一，但是我最近并沒有聽過藍蓮花，也沒聽過許巍的歌。但是我聽過民謠/搖滾標簽類的歌曲，并且很容易猜到，聽過這個標簽的人，基本都會聽藍蓮花（熱門）。那么我的列表里，第1項和第4項的權重應該是更高的。

現(xiàn)在的算法幾乎都是千人千面，所以每個用戶都有自己的個性化匹配機制，也就是張三的權重和李四的權重是不同的，這也反映出一種個人喜好。而相對于FM，這里的推薦更關注用戶的長期興趣。由用戶最近一個月、一個周的行為數(shù)據(jù)構成。

上面這4種只是主要推薦方式，在具體應用時，算法團隊會有更多機制來篩選這些歌曲并在列表內(nèi)排序，提高對新用戶、不活躍用戶的推薦精度，而這里用到的算法有協(xié)同過濾，基于內(nèi)容召回以及相似性召回等。對算法具體原理感興趣的可以自行搜索，這里不展開講。

（2）歌單推薦（搜索召回排序）

點進“歌單”按鈕，會跳到一個歌單廣場，但是我平時不怎么用，這里和主頁推薦歌單放在一起講，因為兩個模塊的算法應該是一樣的。

推薦歌單是網(wǎng)易云音樂的主要流量通道，95%以上的用戶每天打開APP會首先看這些推薦歌單。推薦歌單算法，網(wǎng)易云在全球范圍內(nèi)都屬于做的很不錯，因為歌單這個東西和歌曲不一樣，里面有很多首歌組成，并且每首歌的調性有可能相似，也有可能不同，比傳統(tǒng)推薦要更難。B站、Youtube都有類似算法，比如通過用戶的收藏夾推薦相似的收藏夾。

歌單有個特點就是UGC（用戶生成內(nèi)容），UGC歌單是實時的，即用戶有收聽歌曲行為后可實時帶來推薦變化，比如刷新一下，會推送不一樣的歌單給你。

具體的推薦過程大概如下圖，大家只需要知道“召回”和“排序”就行。

• 召回，是從數(shù)以百萬計的曲庫進行初步篩選，選出幾百個相對符合用戶口味的候選歌曲；
• 排序，是把這幾百個候選歌曲通過深度學習、因子分解機等算法進行精準的個性化排序。

召回的三種主要方式大概解釋一下：

• 協(xié)同過濾，基于用戶的行為數(shù)據(jù)，如聽過的歌曲或者個人標簽找到相似用戶或者相似內(nèi)容；
• 基于內(nèi)容，內(nèi)容標簽化，構建完整的用戶畫像，然后根據(jù)內(nèi)容相似度進行匹配；
• 基于熱門 ，和你相似品味的用戶聚合成一個圈，圈里的人喜歡什么，就推給你什么。

這一塊涉及技術太多，感興趣的同學也可以自行搜索。

（3）電臺推薦（搜索召回排序）

電臺推薦就是以前的FM頻道，現(xiàn)在整合了很多欄目。基本的流程和推薦算法其實和上面的歌單推薦一樣，只不過歌單變成了電臺，推薦的依據(jù)也從歌單里的歌曲、評論、收藏、用戶，變成了電臺的聽眾、主播、標簽等。

場景四：云村推薦

（1）云村廣場(搜索召回排序)

網(wǎng)易云音樂以前總是被人說清高、不接地氣、評論太文青。現(xiàn)在這個云村廣場（為了回答這個問題，我第一次點進去看），就是云音樂開始接地氣的證明。點進去，我以為自己打開了抖音+快手。

這里用到的短視頻推薦算法應該和快手、抖音一樣，使用短視頻的屬性、標簽和用戶的口味、標簽做匹配，相似性高的或者比較熱門的就進行推薦。具體流程也是先召回再排序，可使用的模型較多，這里不好猜。不過短視頻時代，最吸引眼球的就是圖里這種內(nèi)容，比什么算法都好使。

（2）好友動態(tài)(時間倒序)

這里的動態(tài)推薦算法和朋友圈一樣，但是比朋友圈簡單，就是按你的關注的人的動態(tài)，以時間倒序（最新的排在最前面）進行排序。

場景五：視頻推薦（根據(jù)歷史行為精準推薦）

視頻是云音樂后來推出的一大功能，應該也是按照短視頻推薦的方法來進行精準推薦，不同點在于這些視頻主題更加明確，比如第一個就是華晨宇的采訪，直接推送給聽過華晨宇歌曲、買過華晨宇專輯的用戶即可。

問題分析

用云音樂這么久，有一些問題大家肯定也比較困惑，這里做個簡單分析：

問題1：馬太效應

19年之前網(wǎng)易云的推薦算法存在一個明顯的問題：什么熱門推什么。

比如下面這個歌單，在我的推薦歌單列表中出現(xiàn)過不下100次，我懷疑給每個聽過英文歌的用戶都推了這個歌單，在座的如果有人聽過，麻煩評論區(qū)留個“1”，一起驗證一下。

這樣的問題在于，越是熱門的歌單越容易得到曝光，曝光越多也就越熱門，而新歌單就很難得到曝光。這個問題在很多APP上都存在，解決方法也比較成熟。

可以看到，從2019年開始，云音樂的算法團隊做了改進，把基于熱門的召回降低了權重，所以現(xiàn)在這種現(xiàn)象在逐漸減少。（也不排除是我的聽歌口味變了）

問題2：重復推薦

現(xiàn)在很多推薦算法存在一個致命問題，就是重復推薦。在云音樂里，當你聽過一些歌曲，就使勁推送相似的歌曲，比如我有一次聽了小鱷魚，之后就使勁給我推兒歌，這很容易引起用戶的反感。

這其實是推薦算法中著名的EE（Exploitation，Exploration）問題。EE問題中的Exploitation（開發(fā)）就是：對用戶比較確定的興趣，當然要盡可能迎合用戶口味，而Exploration（探索）就是：光對著用戶已知的興趣使用，用戶很快會膩，所以要不斷探索用戶新的興趣才行。

如何解決這個問題，我想云音樂一定使用了BANDIT一類的強化學習方法來優(yōu)化，下面舉個例子幫助大家理解：

一個賭徒，要去搖老虎機，走進賭場一看，一排老虎機，外表一模一樣，但是每個老虎機吐錢的概率可不一樣，他不知道每個老虎機吐錢的概率分布是什么，那么每次該選擇哪個老虎機可以做到最大化收益呢？

最好的辦法是去試一試，不是盲目地試，而是有策略地快速試一試，這些策略就是Bandit算法。假設我們已經(jīng)通過一些數(shù)據(jù)，得到了當前每個老虎機的吐錢的概率，如果想要獲得最大的收益，我們會一直搖哪個吐錢概率最高的老虎機，這就是Exploitation。

但是，當前獲得的信息并不是老虎機吐錢的真實概率，可能還有更好的老虎機吐錢概率更高，因此還需要進一步探索，這就是Exploration。

一個賭徒，要去搖老虎機，走進賭場一看，一排老虎機，外表一模一樣，但是每個老虎機吐錢的概率可不一樣，他不知道每個老虎機吐錢的概率分布是什么，那么每次該選擇哪個老虎機可以做到最大化收益呢？

最好的辦法是去試一試，不是盲目地試，而是有策略地快速試一試，這些策略就是Bandit算法。假設我們已經(jīng)通過一些數(shù)據(jù)，得到了當前每個老虎機的吐錢的概率，如果想要獲得最大的收益，我們會一直搖哪個吐錢概率最高的老虎機，這就是Exploitation。

但是，當前獲得的信息并不是老虎機吐錢的真實概率，可能還有更好的老虎機吐錢概率更高，因此還需要進一步探索，這就是Exploration。

最后，云音樂里很多模塊的推薦算法其實都非常相似，但因為具體實施的算法團隊不同，細節(jié)上肯定有所差異，效果也不會完全一樣。對于EE問題的解決，以及如何提高用戶粘性，想必算法團隊也做了很多嘗試，所以才有了這幾年界面、體驗的不斷改善。

其實，有個問題不解決，推薦算法做的再好也沒用——版權。所以網(wǎng)易云音樂的未來將何去何從，讓我們保持關注吧。

歡迎在文末或者關注公眾號留言交流～

作者：圖靈的貓，香港中文大學 (深圳) 計算機博士；微信公眾號：「圖靈的貓」

本文由 @圖靈的貓 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載

題圖來自Unsplash，基于CC0協(xié)議