大家好，今天小編關(guān)注到一個比較有意思的話題，就是關(guān)于音樂推薦系統(tǒng)的發(fā)展歷程的問題，于是小編就整理了1個相關(guān)介紹音樂推薦系統(tǒng)的發(fā)展歷程的解答，讓我們一起看看吧。
你可能以為網(wǎng)易是用一天時間做一個大數(shù)據(jù)的計算，辛苦推薦出來。但是我今天做了一個試驗。推薦的全是我平時不聽的華語音樂。我全部點了不感興趣。然后再點進去每日推薦，神奇的事情出現(xiàn)了，每日推薦又滿了。再全部消掉，再點進去，又滿了。說明網(wǎng)易的推薦其實是可以瞬間完成的，平時的每日推薦只不過是每天六點強制刷新一次。這三次推薦都是我不聽的華語音樂。我開始尋找原因。原來紅心里最新添加了幾首華語歌。全部刪掉，再點開推薦，就換風格了。重復這個操作，可以發(fā)現(xiàn)，推薦的歌曲并不是和紅心的所有歌曲有關(guān)系，而是和最近紅心的十首以內(nèi)的歌曲有關(guān)。我沒有測試具體數(shù)字。再試驗另一個方面，我把所有紅心刪掉，這次沒有推薦。我加上了一首金屬音樂。這次下面出現(xiàn)幾首金屬音樂。上面出現(xiàn)的竟然都是我剛開始用網(wǎng)易音樂時期的推薦。我猜想網(wǎng)易有一個音樂庫，無論喜歡的音樂是什么。在新手時期都可能推薦這個音樂庫里面的音樂。重度用戶會減少這個庫的推薦。
大家好，我是網(wǎng)易一位小員工，我每天的工作就是挑音樂放到各位的每日歌曲推薦里。這份工作看似簡單實則不然，我要在一天內(nèi)聽完你喜歡的音樂，然后根據(jù)你喜歡什么類型的歌從曲庫中挑歌在早上6點準時放到你的歌曲推薦中，為此我天天熬夜。所以不要驚訝每日歌曲推薦那么人性化，因為我純粹是在騙你，哈哈哈
首先本人非程序員，不懂算法，純屬瞎逼逼。我僅憑主觀非專業(yè)角度猜測這是一種關(guān)聯(lián)推薦。比如，首先你聽了A這首歌，然后后臺關(guān)聯(lián)到聽了A這首歌的所有人，看他們在聽了A的同時還聽了哪些歌，比如統(tǒng)計樣本總共有10個人，他們聽的歌除了A之外，還有C，D，E，F(xiàn)。10個人當中有8個人聽過C，5個聽過D，3個人聽過E，一個人聽過F。那么網(wǎng)易云音樂就把最多人聽過的C推薦給你。這個統(tǒng)計的人數(shù)越多，就越準確。比如有統(tǒng)計了一千萬人，或者，統(tǒng)計了10萬人的一百次聽歌記錄。那么它的推薦就應該相當?shù)販蚀_。當然，這只是一個思路，具體實現(xiàn)起來，肯定還會有更多的細節(jié)需要考慮。再次聲明，這僅僅是非專業(yè)的瞎逼逼，專業(yè)人士勿拍磚。
我不是專業(yè)人士真不太懂，但從一個局外人來看網(wǎng)易云音樂身后一定有大數(shù)據(jù)分析能力，你的歌單里有哪些歌，最經(jīng)常播放哪些歌，你平時在網(wǎng)易云音樂喜歡搜哪類歌，它們應該都能分析出來，然后在進行統(tǒng)一分析處理，最后你每次登錄網(wǎng)易云音樂時它們會根據(jù)分析的你的個人愛好進行推薦，應該是這樣，
原理就是在海量的用戶數(shù)據(jù)（行為記錄等）中對用戶進行劃分，對同一群體的用戶推薦其余用戶喜歡的音樂。
1、給音樂進行歸類并建立評分規(guī)則
這是我們前面說到的給內(nèi)容分類，是每個平臺推薦前要做好的準備。簡單說就是把音樂貼標簽，把相同/相似標簽的音樂歸到一塊，所以一首歌可能會被歸到多個類別里，比如說同一個歌手的歌、同種曲風或者表達某一個情緒等等。
2、建立用戶模型
制定評分規(guī)則后，就可以得到每個用戶和該用戶相關(guān)的每首歌的一個得分，那么根據(jù)這些數(shù)據(jù)就可以給用戶建立相應的模型從而為其做精確推薦。
3、尋找相似的用戶
是時候介紹一下專業(yè)的詞了，常用的計算相似度評價值的體系有兩種：歐幾里得距離和皮爾遜相關(guān)度。后者有點復雜，這里簡單介紹歐幾里得距離。
歐幾里得距離非常直觀，如下圖，根據(jù)上面得出的評分，我們可以制作二維圖，簡單明了看出用戶在哪個位置，比如 A 用戶就與 D 用戶距離最近，所以可以給 A 推薦 D 喜歡的歌曲。
有人說還沒看懂，那我說一個簡化版本的。你經(jīng)常聽民謠，喜歡的歌曲很大一部分都是民謠，于是網(wǎng)易云音樂把你歸到了民謠這個群體，民謠這個群體里面還有一個人叫趙雷，有一天趙雷聽了一首歌叫《成都》并且點了喜歡和收藏。系統(tǒng)發(fā)現(xiàn)你并沒有聽過這首歌，于是在后面的某一天，網(wǎng)易云音樂悄悄的把這首歌放進了你的每日推薦里面，你一聽，真好聽。這只是最簡單的情況，而網(wǎng)易云音樂的推薦遠沒有這么簡單。
關(guān)于推薦算法現(xiàn)在討論的也很多，比較基本的兩種是collaborative filtering（CF） 和 content-based (CB)兩種，整個推薦系統(tǒng)的核心我覺得就是找兩個objects（可以是歌曲，可以是用戶）之間的相似度。
大概意思就是說，CB就是根據(jù)用戶自己提供的信息，比如建立賬號時生日啊歲數(shù)啊喜好啊，還有你用了產(chǎn)品之后的一些操作，比如 @路人甲提到的那個表格其實就是一種可能。CF則是基于一個前提，假設(shè)甲喜歡產(chǎn)品a， 乙也喜歡產(chǎn)品a，那么乙如果買了產(chǎn)品b并說好，那么甲也很有可能會覺得b不錯，所以就推薦給你，當然真實操作肯定不會只用一個產(chǎn)品確定這種聯(lián)系。
這是簡單的背景，如今很多公司，比如淘寶還是亞馬遜，任何推薦算法本身都不可能只是單一的一種，一般都是復合型的（hybrid）。其實還有很多其他的推薦算法不過就不說了。假設(shè)你選定了一個算法，那么你就得用那個來量化相似度，因為有了量化的相似度，你才能排序，才能按照順序從可能喜歡到最不可能喜歡推薦給用戶。具體量化方法，歐幾里得距離是比較簡單和方便的那種。其實這個就是數(shù)學概念的矢量，可以有很多個dimensions，然后算數(shù)學距離。那么現(xiàn)在你有了這個排名，你得不斷更新，因為不可能一下子就完全把用戶的喜好口味抓住，你得通過長時間的使用讓屬于你的data更多，這樣出來的結(jié)果也會更準確，這也是為啥你新注冊賬號，如果亂選或者喜歡的音樂差異較大，推薦的內(nèi)容就比較不穩(wěn)定。
關(guān)于具體的實現(xiàn)，網(wǎng)易的我肯定不知道，不過我想如果你真想自己做一個，寫好這個之后租一個服務(wù)器，定時跑一次就可以了，大部分創(chuàng)業(yè)公司都是這樣。
到此，以上就是小編對于音樂推薦系統(tǒng)的發(fā)展歷程的問題就介紹到這了，希望介紹關(guān)于音樂推薦系統(tǒng)的發(fā)展歷程的1點解答對大家有用。
