網(wǎng)易云音樂(lè)在我看來(lái)在各方面都是較為出色的音樂(lè)APP，網(wǎng)上也有各種體驗(yàn)報(bào)告、產(chǎn)品分析，但都比較偏向交互和前端。所以，我決定對(duì)其靠后端大功能“推薦音樂(lè)和算法”稍作一些探討。也是因?yàn)閭€(gè)人喜好問(wèn)題，包括我做PD的時(shí)候，也喜歡接一些靠后端的項(xiàng)目，所以本文也不太涉及到界面交互方面的東西。

網(wǎng)易云音樂(lè)希望面向的受眾為85后到90后的年輕聽(tīng)眾，且分布于經(jīng)濟(jì)發(fā)達(dá)地區(qū)。這類人對(duì)新生事物的學(xué)習(xí)和消費(fèi)需求較為高漲，也是網(wǎng)易云音樂(lè)為何直接將“發(fā)現(xiàn)音樂(lè)”置于Tool Bar第一位，且大力投入的原因。

在我看來(lái)，網(wǎng)易云音樂(lè)使用了3個(gè)維度向人們推薦音樂(lè)：朋友推薦、人工推薦、智能推薦。

朋友推薦

在這三種推薦維度中，先來(lái)簡(jiǎn)單說(shuō)說(shuō)朋友推薦。這個(gè)功能雖然目前還沒(méi)有特別火，但并不能否定“朋友推薦”是網(wǎng)易云音樂(lè)在音樂(lè)APP領(lǐng)域里最大的前沿性嘗試，如果真的做起來(lái)了，威力不可小覷。我想，這也許是微信要封殺網(wǎng)易云音樂(lè)的正真原因。眾所周知，讓自己的朋友知道自己的品味，甚至得到認(rèn)可，給予人的成就感激勵(lì)是巨大的，這也是騰訊沒(méi)有想到的，所以QQ音樂(lè)也立刻在社交方面奮起直追，不過(guò)目前仍讓人覺(jué)得屬于倉(cāng)促之作，期待之后的發(fā)力。

人工推薦

而“人工推薦”則是網(wǎng)易音樂(lè)編輯人員人工推薦的歌單和電臺(tái)。人工推薦在網(wǎng)易云音樂(lè)中，仍然占著較為主導(dǎo)的作用。原因很簡(jiǎn)單，私人藝術(shù)偏好屬于非常感性的問(wèn)題，有些事情沒(méi)有專業(yè)編輯做推薦確實(shí)會(huì)略顯單調(diào)。也許大數(shù)據(jù)時(shí)代是來(lái)了，但在人類較感性的問(wèn)題上，計(jì)算機(jī)也許還沒(méi)有什么太好的辦法。但“人工推薦”仍有瓶頸，因?yàn)榫庉嬤@個(gè)職業(yè)的工作導(dǎo)向，必然導(dǎo)致推薦的歌單非常的大眾化，滿足的是大部分人，而偏小眾品味的用戶，則就需要智能推薦來(lái)支撐了。

智能推薦

純算法的“智能推薦”，我們并不能說(shuō)它是一個(gè)偽需求，“豆瓣FM”的出現(xiàn)，證明了依托大數(shù)據(jù)的智能推薦方式并非沒(méi)有市場(chǎng)。這也是為什么從那以后，類“猜你喜歡”功能也逐漸在各種音樂(lè)APP中出現(xiàn)。

而推薦的算法方面，目前主流的有兩種方式，一種是以“豆瓣FM”為代表的“以人為本”方式，一種是以“蝦米歌曲漫游”為代表的“以歌為本”方式。兩種算法擁有互補(bǔ)性，網(wǎng)易云音樂(lè)自然也都用在了APP里：“以人為本”算法在“個(gè)性化推薦”的“私人FM”和“每日歌曲推薦”中展現(xiàn)，“以歌為本”算法在“個(gè)性化推薦”的其余歌單中展現(xiàn)。

這兩種算法也各有優(yōu)缺點(diǎn)，而網(wǎng)易云音樂(lè)則聰明地避開(kāi)了幾乎所有缺點(diǎn)。我們先來(lái)梳理一下這兩種算法及他們的優(yōu)缺點(diǎn)：

“以人為本”算法

“以人為本”最早的應(yīng)用場(chǎng)景來(lái)自于亞馬遜的購(gòu)物推薦，也就是俗稱的“喜歡這個(gè)商品的人，也喜歡XX”。后來(lái)，這個(gè)算法被“豆瓣FM”拿來(lái)，用在了音樂(lè)推薦上。

那么，這個(gè)算法到底是怎樣的呢？舉個(gè)非常簡(jiǎn)單的例子：

A喜歡x,y,z三首歌。

B喜歡x,y。那么我可以推斷，B一定也喜歡z這首歌。

當(dāng)然，這也是最為簡(jiǎn)單的情況了。

還有非常多的case，比如“喜歡”如何定義？用戶“不喜歡”怎么辦？

也許“喜歡”下的用戶行為包括：點(diǎn)擊“喜歡”、評(píng)論、下載、收藏到歌單、點(diǎn)擊“相似推薦”、分享、查看MV、聽(tīng)這首歌的頻率、是否播放整曲等。

而“不喜歡”的用戶行為有可能包括：5秒內(nèi)切換、扔進(jìn)垃圾桶、移出歌單、刪除等。

在維度特別多的情況下，我們就需要對(duì)用戶的每個(gè)行為引入權(quán)重機(jī)制。

“以人為本”的好處是非常明顯的，這種算法不需要特別大的人力成本，只需要寫(xiě)好一個(gè)基礎(chǔ)算法，并不停優(yōu)化就可以了。而缺點(diǎn)顯而易見(jiàn)：

第一個(gè)缺點(diǎn)是用戶在使用初期會(huì)碰到的情況，在用戶剛來(lái)的時(shí)候，對(duì)于算法來(lái)說(shuō)用戶是一張白紙，那么算法首先會(huì)給他一些大部分人喜歡的歌曲，因?yàn)檫@些歌曲喜歡的幾率大于其他，但恰巧此用戶的品味較為奇葩，左試右試沒(méi)有匹配到，那么這個(gè)用戶也許會(huì)陷入煩躁，甚至流失。

第二個(gè)缺點(diǎn)是用戶在使用較久之后會(huì)碰到的情況，聽(tīng)到的歌曲風(fēng)格越來(lái)越極度的同質(zhì)化，就拿我本人來(lái)舉一個(gè)極端的例子，我的品味比較奇怪，又喜歡民謠，又喜歡金屬核。那么在算法知道了我喜歡民謠了以后，給我推薦了海量的民謠，我也一一點(diǎn)擊了“喜歡”，然后我會(huì)在風(fēng)格方面越來(lái)越專一。致使我永遠(yuǎn)無(wú)法聽(tīng)到我喜歡的金屬核。這種情況在“豆瓣FM”中尤為明顯。

第三個(gè)缺點(diǎn)是對(duì)一個(gè)人的品味轉(zhuǎn)移響應(yīng)速度較慢。再舉個(gè)極端的例子，比如我初中的時(shí)候還喜歡蔡依林，高一的時(shí)候忽然愛(ài)上了工業(yè)金屬。而積累了海量“類蔡依林歌曲”曲庫(kù)的我，在登錄后一定會(huì)不知所措，也同樣會(huì)造成我煩躁地一遍一遍的切換著歌曲。

依托于網(wǎng)易云音樂(lè)現(xiàn)有的歌曲搜索和收藏功能，“以人為本”的前2個(gè)缺點(diǎn)被網(wǎng)易云音樂(lè)輕松克服。

至于第三個(gè)缺點(diǎn)如何克服呢？我們從生成機(jī)制上可以看出，“個(gè)性化推薦”下的“私人FM”和“每日歌曲推薦”的這兩個(gè)歌單的做法略顯不同，“私人FM”和“豆瓣FM”的工作原理幾乎一致，是在用戶切換歌曲的一瞬間，通過(guò)用戶的聽(tīng)歌歷史來(lái)決定播放的歌曲，所以在“私人FM”下，無(wú)法切換回上一首。

而“每日歌曲推薦”里有一句文案暴露了實(shí)現(xiàn)方法，“根據(jù)你的音樂(lè)口味生成，每天6：00更新”。這說(shuō)明這個(gè)歌單的工作方法，一定是每天在后臺(tái)數(shù)據(jù)庫(kù)通過(guò)用戶最新的歌曲喜好和相應(yīng)公式，來(lái)生成歌單。并在每天早上的6點(diǎn)放到線上數(shù)據(jù)庫(kù)中，呈現(xiàn)給用戶看。這種實(shí)現(xiàn)方法，也就避免了“以人為本”的第三點(diǎn)缺點(diǎn)-個(gè)人品味轉(zhuǎn)移響應(yīng)速度較慢這個(gè)缺點(diǎn)。

“以歌為本”算法

我們?cè)賮?lái)看以“蝦米歌曲漫游”為代表的“以歌為本”的推薦方式。這種算法是將每首歌曲打上Tag：

歌曲A擁有Tag:X,Y

歌曲B擁有Tag:Y,Z

你喜歡歌曲A，因?yàn)樗蠺agY，所以也許你也會(huì)喜歡歌曲B。

“以歌為本”這種算法的優(yōu)點(diǎn)是避免了“以人為本”幾乎所有的缺點(diǎn)。但是缺點(diǎn)也同樣凸顯：

第一個(gè)缺點(diǎn)是歌曲推薦同質(zhì)化較為嚴(yán)重，這也是我經(jīng)常在蝦米使用“歌曲漫游”時(shí)碰到的情況，我喜歡同一風(fēng)格的兩首歌，那么，在分別漫游這兩首歌的時(shí)候，生成的歌單幾乎是一模一樣的。

第二個(gè)缺點(diǎn)是工作量非常巨大，這個(gè)世界上所有的歌曲有3500萬(wàn)首，雖然大多數(shù)人聽(tīng)的歌都集中在一起，但既然使用了這種算法，你不得不得考慮到小眾品味用戶的需求。

而網(wǎng)易云音樂(lè)對(duì)“以歌為本”的算法缺點(diǎn)克服，則做的更為聰明，也非常具有前沿性。

對(duì)第一個(gè)缺點(diǎn)，也就是歌曲推薦重復(fù)情況，網(wǎng)易云音樂(lè)的做法是：不像蝦米一樣在“歌曲”這個(gè)維度上進(jìn)行推薦，轉(zhuǎn)而全部使用“歌單”這個(gè)歌曲集合進(jìn)行推薦，大大增加了容錯(cuò)率。這種聰明做法也立刻被其他音樂(lè)APP競(jìng)相模仿。

對(duì)于第二個(gè)缺點(diǎn)，也就是打Tag的工作量巨大問(wèn)題。網(wǎng)易云音樂(lè)也有自己的解決方法：在用戶建立歌單時(shí)，網(wǎng)易云音樂(lè)會(huì)讓用戶自己給自己的歌單打Tag，不得超過(guò)3個(gè)，且禁止自建Tag，這兩個(gè)限制也可能暴露了這套機(jī)制的實(shí)現(xiàn)方法。我認(rèn)為歌單上的3個(gè)Tag會(huì)被分配到歌單下的每首歌上，而一首歌經(jīng)常會(huì)被不同的用戶分配到不同的歌單中，那么剩下的事情就變得簡(jiǎn)單了，只要取在這首歌上被分配得最多的幾個(gè)Tag來(lái)參與算法即可。所以我們可以看到“個(gè)性化推薦”下，網(wǎng)易云音樂(lè)可以通過(guò)歌單和歌曲兩個(gè)緯度來(lái)給我們推薦歌曲。這么做不但減輕了工作量，也使歌曲Tag更科學(xué)，更具時(shí)效性。

其他優(yōu)化建議

這么看來(lái)，網(wǎng)易云音樂(lè)確實(shí)在算法上下足了功夫。是否還有地方值得優(yōu)化？

我拋磚引玉一下，先說(shuō)第一點(diǎn)，也是我經(jīng)常碰到的煩惱問(wèn)題，我想大家也一定碰到過(guò)。當(dāng)使用任何一款音樂(lè)APP一段時(shí)間后，“我喜歡的音樂(lè)”里一定塞了上百首上千首風(fēng)格各異的歌曲，有一天我走在街上，使用隨機(jī)播放功能播放“我喜歡的音樂(lè)”歌單，此時(shí)心情是安靜的，非常想聽(tīng)一些安靜的曲子，但是事與愿違。我不停的切歌，卻總是找不到自己想聽(tīng)的歌曲，于是將手機(jī)從口袋中掏出，找了半天終于找到了那首我最想聽(tīng)的歌曲，播放完全曲后，沒(méi)想到隨機(jī)跳到的下一首歌又是我不想聽(tīng)的暴躁歌曲，不停切換后仍然如此。那么也許此時(shí)我的心情便沒(méi)有剛開(kāi)始時(shí)安靜了。我推薦的做法是，在大型歌單中，隨機(jī)播放模式下，使用“以歌為本”算法，當(dāng)用戶顯露出明顯的對(duì)某些Tag的歌曲表現(xiàn)出不喜歡時(shí)，短時(shí)間內(nèi)不再播放這些Tag的歌曲。而對(duì)于聽(tīng)完全曲的歌曲，可以把這首歌的類似歌曲，大大提高隨機(jī)播放到的幾率。不過(guò)這實(shí)現(xiàn)起來(lái)可能會(huì)比較困難，因?yàn)樾枰阉惴ê蚑ag從服務(wù)端下載到本地才能實(shí)現(xiàn)，但也許還有別的實(shí)現(xiàn)方法我沒(méi)想到。

第二個(gè)需要優(yōu)化的地方相信大家也會(huì)碰到，在較大歌單中，我們經(jīng)常保有一些已經(jīng)老掉牙早已聽(tīng)膩的歌曲，只是忘記刪除，但總是會(huì)被隨機(jī)播放出來(lái)，對(duì)于這種歌一般都會(huì)被立即切換。我們是否能在這一點(diǎn)上進(jìn)行優(yōu)化？比如，當(dāng)網(wǎng)易云音樂(lè)發(fā)現(xiàn)一首歌已經(jīng)到達(dá)相當(dāng)?shù)闹貜?fù)播放次數(shù)（具體次數(shù)可從大數(shù)據(jù)中分析），并在最后幾次播放中被快速切換，就減少隨機(jī)到該歌曲的幾率。也許就可以解決這個(gè)問(wèn)題。

歸根結(jié)底，對(duì)用戶體驗(yàn)的追求是永無(wú)止盡的，我相信網(wǎng)易云音樂(lè)仍然會(huì)在用戶體驗(yàn)上繼續(xù)下足功夫，讓我們拭目以待吧。

作者：狗燒

原文鏈接：http://www.jianshu.com/p/fc20c0637954

本文由 @狗燒 授權(quán)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。