音乐推荐与活动信息 机器学习如何发现你可爱的音乐：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 用户每东谈主齐收到了一个簇新的歌单。这个叫作念每周发现的歌单内搀和了用户从未听过然则可能会可爱的 30首歌曲。成果号称神奇。
我我方是 Spotify 的超等粉丝，对每周发现尤其阻拦。为什么呢？因为我以为它懂我。它比我性掷中的任何东谈主齐更明晰我的音乐试吃。我很鼎沸每周它齐能得志我的需求，一如既往地推选一些我我方长期齐不会找到或知谈会可爱的歌曲。
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虚构好友：
[图片阐发: 我的 Spotify 每周发现歌单]
没思到，在这方面我不是一个东谈主，不光是我对每周发现如斯沉溺 – 整个用户群体齐趋之若鹜。这股飞扬使得 Spotify 再行鬈曲了它的要点，并在基于算法的歌单上参加了更多的资源。
Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进度险些胆战心摇，熟练到就像一个也曾与我有过整个濒死体验的前女友一样。
Amanda Whitbred: 咫尺 @Spotify 的每周发现对我如故了解到如果它咫尺求婚，我也会说甘心的地步了。
自「每周发现」在 2015 年第一次上线以来，我就遑急思知谈它是若何运作的（而且由于我是 Spotify 公司的迷妹，我可爱假装在那儿责任并相干他们的产物）。 经过三周的猖獗Google，我终于满怀感德地获得了一些幕后的学问。
是以 Spotify 到底是如何告捷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工作是如何作念音乐推选，以及 Spotify 是如何更胜一筹的。
在线音乐甄选工作简史
早在千禧年之初，Songza 就开动使用手动甄选为用户提供歌单。手动甄选的真谛便是所谓的音乐大师或者其他裁剪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 音乐也采用了通常的战术）。手动甄选成果尚可，然则由于这种步伐仅仅纯手工挑选，形势步伐也比拟肤浅，它并弗成柔和到每个听众音乐试吃的机密互异。
跟 Songza 一样， Pandora 亦然音乐甄选工作领域的早期玩家之一。它使用了一个略为更高等的步伐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刻画性的词语来手脚标签。进而，Pandora 的要领可以径直过滤特定的标签来生成包含相似歌曲的歌单。
差未几吞并时期，一个从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，采纳了一个填塞不同的高等战术来定制音乐。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，采用了另一个沿用于今的战术。那便是运用协同过滤来识别用户可能可爱的音乐。稍后本文会张开征询更多这方面的内容。
是以说既然其他的音乐甄选工作齐竣事了推选功能，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明白度的呢？
Spotify 的三种推选模子
事实上 Spotify 并莫得使用什么单一的立异性推选模子，而是搀和了一些其他公司使用的最好的战术来创建他们我方唯一无二的遒劲发现引擎。
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）。责任旨趣为分析你和其他用户的行径。 天然谈话措置（NLP）模子 。责任旨趣为分析文本。 音频模子。责任旨趣为分析原始音频声谈自己。咱们来具体看下这些推选模子是若何责任的！
推选模子之一：协同过滤
最初先容下配景：当好多东谈主听到协同过滤这几个词的时候，他们会坐窝联思到 Netflix，因为它是第一个运用协同过滤来竣事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盘算推算推选那些电影给其他近似的用户。
自 Netflix 将其告捷应用以来，协同过滤开动快速流传开来。咫尺无论是谁思竣事一个推选模子的话，一般齐会拿它手脚首次尝试。
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 所用的数据是隐形反映的，具体来说便是咱们在线听歌的歌曲次数，以偏激他非常信息，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侦查艺术家主页等。
但什么是协同过滤，到底它是如何责任的呢？底下用一段简陋对话来作念一个大要的先容。
啥情况? 原本这俩东谈主内部每东谈主齐有我方的一些歌曲偏好 – 左边的东谈主可爱歌曲 P, Q, R 和 S; 右边的东谈主可爱 Q, R, S 和 T。
协同过滤系统进而运用这些数据得出论断，
“嗯。既然你俩齐可爱相易的歌曲 – 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谈主听过然则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。听起来够肤浅吧？
然则 Spotify 具体是若何具体应用这个想法，来盘算推算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 库即可竣事
本质中，此处说起的矩阵是极其弘远的。每行齐代表了 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转），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分解公式：
盘算推算完成后，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意外旨的数字，然则在后头进行比拟时会十分有用。
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，亦然通常的过程 – 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咫尺正在看的歌曲最相似。
协同过滤照实成果可以，然则 Spotify 深知再添加另外一个引擎的话成果会更出色。这就到了天然谈话措置出场的时候了。
推选模子之二：天然谈话措置
Spotify 采纳的第二个推选模子便是天然谈话措置。这些模子的源数据，正如名字所示，便是一些平素的谈话笔墨 – 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。
天然谈话措置 – 盘算推算机相识东谈主类谈话的才调 – 自己便是一个巨大的领域，平庸通过情怀分析应用编程接口（API）来进行操作措置。
天然谈话措置背后的具体旨趣超出了本文的征询界限，然则在此本文可以提供一些精真金不怕火的刻画：Spotify 会在网上持续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评述 – 比如说东谈主们对这些歌曲平庸使用哪些描摹词停火话, 以及哪些其他艺术家和歌曲也会和它们放在整个征询。
诚然我不知谈 Spotify 如何措置他们捏取的数据，然则我可以先容下 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”。每个艺术家和歌曲齐特殊以千计的逐日更新的最好考语集。每个考语齐有一个关连的权重，来暗示其刻画的要紧性（肤浅说便是某东谈主可能会用该考语刻画某个音乐的概率）。
[ “Cultural vectors”, or “top terms”, as used by the Echo Nest. Table from Brian Whitman]
然后，与协同过滤近似，天然谈话措置模子用这些考语和权重来创建一个歌曲的抒发向量，可以用来细目两首音乐是否相似。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：
然则，Sophia，咱们如故从前两种模子中获得了这样多数据！为什么还要络续分析音频自己呢？
额，最初要说的是，引入第三个模子会进一步普及这个如故很优秀的推选工作的准确性。但实质上，采纳这个模子还有另外一个次要策划：原始音频模子会把新歌有计划进来。
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 次听歌记载，是以很少能有其他听众来整个协同过滤它。与此同期，它也在网上也莫得留住若干萍踪，是以天然谈话措置模子也不会提防到它。庆幸的是，原始音频模子并不离别新歌曲和热点歌曲。是以有了它的襄助，你一又友的歌曲也可以和流行歌曲一谈出咫尺每周发现的歌单内部。
好了，到了“如何”的部分了。咱们如何才能分析这些看起来如斯概括的原始音频数据呢？
…用卷积神经相聚！
卷积神经相聚通常亦然撑持面部识别的时间。只不外在 Spotify 的案例中，他们被稍作修改以基于音频数据措置而不是像素点。底下是一个神经相聚架构的例子：
[Image credit: Sander Dieleman]
这个特定的神经相聚有四个卷积层，具体为图中左侧的宽柱，和右边的略略窄些的三根柱。输入是音频帧的时频暗示，进而贯穿起来酿成频谱图。
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。该层在整个时期轴上收集数据，并灵验盘算推算和统计歌曲时长内的学习特征。
措置完之后，神经相聚会得出其对歌曲的相识，包括忖度的时期签名，曲调，调式，球拍及音量等特征。底下便是 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，对这些对歌曲要津特征的相识可以让 Spotify 来决定歌曲之间的相似度，以及证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助的推选功课过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贯穿在整个，其中包括运用海量的数据存储以及十分多的 Hadoop 集群来作念推选工作的膨胀，使得引擎得以盘算推算巨型矩阵，用之束缚的互联网音乐著作和巨额的音频文献。
我但愿本文可以对你有所启发，何况像那时它对我一样粗略激起你的敬爱。怀着对幕后的机器学习时间的了解和感恩之情，咫尺我将通过我我方的每周发现来寻找我可爱的音乐。
