Spotify是怎么做到这一切的?Spotify 登录信息

做为煎饼胜地，天津人点评最大的煎饼果子店，一定并不是大家爱不释手的网红奶茶店，只是「我们家楼底下哪家」。

大家针对歌曲的喜好，和天津人对煎饼的爱有如出一辙之处，朋友激情共享回来的歌曲，一般会被你归到「废弃物」。伴随着卡带、CD、MP3 慢慢被移动互联替代，音乐应用最后安装起达到大家歌曲品位的重担。

社交网络上长盛不衰的唯二的2个难题，一个是为何「任意」强烈推荐并不确实「任意」，另一个便是为何音乐网站强烈推荐的歌曲都那么「废弃物」。假如还有机会，可能任何人最重要的事情便是去零距离问一下音乐应用的程序猿，自身究竟怎样才能「调试」好这一 App，让它强烈推荐大量自身喜爱的歌曲。

以用户最多的音乐网站 Spotify 为例子，她们近期开发设计出了一种新的算法 —— 喜好转换实体模型（Prefenrence Transition Model，PTM），要想预测分析，一年后的你能听什么音乐。

解开 Spotify「算法黑箱子」

抖音短视频、新浪微博、淘宝网、YouTube、Spotify，这种服务平台的算法想方设法猜想大家喜好，随后把他们感觉大家会喜爱的內容推给大家。

有一些情况下，这种算法的确猜得很准，大家见到的全是喜爱的內容。但从另一方面而言，大家只看过自身喜爱的內容。

互联网技术实践家伊萊・帕里瑟（Eli Pariser）在 2011 年的情况下明确提出了他知名的「过虑汽泡」（Filter Bubble）基础理论：算法会依据用户的详细地址、历史时间点一下、往日检索等用户有关信息猜想用户喜好。这一全过程中，这些与用户建议有悖的信息内容就被过虑了。长期性出来，用户便会没法触碰新的念头和信息内容，慢慢阻隔在自身的意识形态工作泡沫塑料中。

在解决过虑汽泡的难题上，Spotify 一直由于精确的算法而为人称道。不只是让用户在自身了解的內容中转圈，它总是能帮用户发觉这些新鮮的歌曲。而正好，这种歌曲还很讨喜。

「每星期发觉」（Discovery Weekly）是 Spotify 在 2015 年 7 月的金牌频道。每星期一，Spotiy 便会向用户消息推送 30 首彻底没听过的歌曲。与此同时，它又总是能产生很好的用户感受。截止 2020 年 6 月 25 日，每星期发觉一共被播放了 23 亿钟头，折合 26.65 萬年，比人类发展史存有的時间还长。

Spotify 是怎么保证这一切的？自然或是算法。

Spotify 关键应用了三种强烈推荐体制 —— 协同过滤算法（Collaborative Filtering Model）、卷积和神经元网络（Convolutional Neural Networks）和自然语言理解剖析（Natural Language Processing）。

Netflix 是最开始应用协同过滤算法来强烈推荐內容的服务平台。在 Netflix 大获取得成功以后，这类算法就越来越愈来愈时兴。简易而言，它会依据用户中间的相似度而不是內容的相似度来强烈推荐新生事物。

对 Spotify 而言，摆放在它眼前的是一个极大的数据库查询，里边放满了用户听过內容的历史时间。协同过滤算法会依据用户 A 听过的歌曲，寻找也喜爱这种歌的另一个用户 B，随后向 A 消息推送仅有 B 听过的歌曲。

▲「同乐 QRS，则试着一下 P 和 T」｜Erik Bernhardsson，前 Spotify 职工

但协同过滤算法的一大缺陷是说白了的「冷启」难题，仅有把握充足多的数据信息，协同过滤算法才可以起功效。假如用户是一个都还没听过是多少歌的新用户，或是內容杜兰特有一首十分小众歌曲，协同过滤算法就没法精确配对。

这就引进了另一种算法 —— 自然语言理解解决。Word2Vec 常被用在自然语言理解解决中，它能够将大家日常的会话编号成数学课关联 —— 空间向量。

Spotify 干了和 Word2Vec 类似的工作中。它会爬取互联网上叙述歌曲、歌曲或是歌手的词语，根据算法分派给他们不一样的权重值。这一权重值，非常大水平上意味着了大家用这个词来叙述歌曲的几率。根据自然语言理解解决，Spotify 就能明确那二首歌彼此之间是类似的，进而处理冷启难题。即便 是小众的歌曲或歌星，也可以获得强烈推荐。

Spotify 的第三种方法是卷积和神经网。

在前二种算法的协助下，Spotify 早已得到了充足多的数据信息，但卷积和神经元网络能够进一步提高了音乐推荐的精确性。

卷积和神经元网络会剖析歌曲的特点，包含球拍、声调、方式、节奏感、音调等。根据阅读文章这种歌曲的特点，Spotify 就可以依据用户的接听历史时间掌握他们中间的相似度，配对用户的喜好。

Daft Punk 的歌曲「周游世界」的数据分析图｜The Echo Nest

恰好是根据这三种算法，Spotify 像法术一般猜准了用户的喜好，打造了定向推广的 Discover Weekly。

但即便 Spotify 早已变成了世界最时兴的流媒体播放手机软件，即便 全世界智商最高的人在这儿搭建出了极其精致的算法，过虑汽泡的「詛咒」依然存有。

因此，Spotify，又多干了一步。

可是，人是能变的呀！

2021 年 4 月，Spotify 协同多伦多大学公布了一篇毕业论文《下一步去哪？一种用户喜好的动态性实体模型》（Where To Next？A Dynamic Model of User Preferences）。

她们在 4 年里（2016 年至 2020 年）剖析了 10 万多名用户的接听数据信息，来观察用户的消費遍布转变。她们发觉，伴随着時间的转变，用户的消费习惯也在产生变化。此前的算法善于捕获用户的静态数据喜好，但当应对长期的跨距时，却没法捕获用户动态性的喜好转变。针对 Spotify 的长期性用户而言，她们依然很有可能困在过虑汽泡中。

它是 2016 年第一季度比照接着每一个一季度的总消費转变条形图。色调越重，比照的周期时间就越长。例如，最左侧的浅色系曲线图是 2016 年第一季度和 2016 年第二季度的比照；最右侧的深棕色曲线图是 2016 年第一季度和 2020 年第二季度的比照。伴随着時间的提升，转变也愈来愈显著｜图片出处：Spotify

Spotify 与此同时发觉，当完全免费用户消費的音乐的种类越多时，她们越有可能转换为付钱用户。换句话说，用户听见的音乐风格越多，她们越喜爱 Spotify。

那麼该如何知道，一个人将来的歌曲口感呢？

Spotify 得出了一个新的算法 —— 喜好转换实体模型（Prefenrence Transition Model，PTM）。

在这里张喜好转换实体模型的手稿中，我们可以大概窥探 PTM 的原理。

▲图片出处：Spotify

大家如今有一个用户 1 号，依据历史时间，能够了解他喜爱听灵魂乐（Soul）。大家想要知道，他之后是否会喜爱新世纪音乐（New Age）和布鲁斯（Blues）。

变换引流矩阵 A 是 PTM 的关键，将以上的数据信息键入 A，便会获得一个预测分析的結果。能够见到，新世纪音乐的标值（0.4）和灵魂乐（0.4）十分贴近，那用户 1 未来很有可能会喜爱上新世纪音乐。

自然，这仅仅一个非常简单的实体模型演试，具体情况要比这繁杂得多。Spotify 一共梳理了 4000 种音乐流派。而在 Spotify 的数据库查询中，也有有 3.56 亿次那样的「用户 1 号」。

▲PTM 的关键算法：指数值权重计算移动平均法遍布和泊松代数式二级遍布｜Spotify

▲与以前的算法对比，PTM 在各类检测上都获得了最好是考试成绩｜Spotify

除开预测分析特性，PTM 的另一大特性便是能够形象化地表述从一种音乐是怎样变换到另一种歌曲的。假设大家现在有2个音乐流派 a 和 b，PTM 就可以给予用户在听后 a 以后变换到 b 的几率。这就表述了2个难题：

1、a 到 b，哪一条途径是最少的？

2、假如用户听了 a，那麼他下面最有可能播放视频哪一个派系？

回应这两个难题，进一步提高了 PTM 的高效率和预测分析精确性。

它是一张喜好转换的平面图，表明了原始派系（翠绿色）到总体目标派系（鲜红色）的最短路径算法｜Spotify

怎样「收服」算法

看上去，Spotify 早已做得很好啦。但再聪慧的算法，都很有可能隔三差五抽一下风。终究，人的确很繁杂，没人能够和你自身一样认识自己。

Spotify 官方网也得出了一些提议，期待协助你能够更好地「收服」她们的算法。

让你喜爱的歌曲点个️。

假如你讨厌一首歌，在 30 秒以前绕过它。30s 是个关键节点，假如在这里以前绕过一首歌，等同于算法在內部给它点了。

听一听新的歌星和她们的歌曲。那样算法就可以能够更好地学习培训你的行为模式。

给予你的年纪和位置信息 —— 如果你不在意得话。Spotify 会依据用户的年纪和所在位置强烈推荐不一样的音乐风格。

假如你不愿 Spotify 注意到你的个人行为，能够应用「私秘方式」。

最终，维持细心。算法在设计方案中会忽视新的接听个人行为中一些快速的、突然出现的峰值，由于许多人会共享她们的 Spotify 登陆信息。因而新的收听主题活动很有可能不容易马上造成 你的播放列表转变。