朋克音乐_百度百科
本词条缺少名片图，补充相关内容使词条更完整，还能快速升级，赶紧来吧！
朋克是一种音乐范畴，它诞生于，最早出名的是70年代大放光彩的，被誉为“革命急先锋”的“性枪手”乐队。紧随其后的还有：碰撞、诅咒、洛克西、亵渎神灵等等。他们的可能不大一样，但音乐的特点却同出一辙，那就是：反叛、反叛、再反叛！ 反叛传统、反叛制度、反叛日渐枯燥毫无激情和意义的生活。
朋克音乐基本信息
朋克音乐简介
他们的每一个人身上都带有一种强烈的革命意识，事实上，他们的目的就是要在七、八十年代平庸的欧洲大陆掀起一场深入生活的各个角落的大革命，以便在人类通向未来的旅途上添上些色彩。 朋克音乐家们的创作往往直指人类的苟且，以挑战一切既成的规则。他们用简单的和弦，表达简单的情感，用粗俗明了的语言，诉说人性的美丑。他们歌颂大麻，也歌颂上帝；他们崇尚乱交，也呼喊着要社会关注那些单亲的孩子；他们诅咒战争，却在生活中滥用暴力；他们生活靡乱，但对未来充满向往，他们在颠覆旧有的糜费文化同时也创造新的糜费。总之，同文学上的“垮掉的一代”、美术上的“ 达达主义”一样，他们代表着人类发展方向的一种可能性和多种可选择性，是人类多重矛盾集于一身的直接反映。
继而，从舞台走向生活，他们开始在表演以外的各个层面表现他们彻底革命的决心：穿上磨出窟窿、画满骷髅和美女的牛仔装；男人们梳起酷毙了的鸡冠头，女人则把头发统统剃光，露出青色的头皮；鼻子上穿洞挂环；身上涂满靛蓝的荧光粉，似乎非得让你对他们侧目而视才满意，其实他们什么也不为，只是要以此表现他们的与众不同，表现他们的叛逆，表现他们对这个现实社会的不满罢了。如果你以为他们是为了表现自己是朋克而如此装扮，那就错了，用朋克的话来说：“我朋克所以我朋克，如果是为了让人认识到我是朋克，而把自己装扮得像朋克的话，那就一定不是真的朋克。”如今这个社会似乎什么都有假的，假冒名牌商品的；假冒警察罚款的；假冒瞎子要饭的，当然也有假冒朋克的。这些假的朋克们不断的自我标榜为朋克、自诩为斗士，“我只会三个和弦！”天知道是不是第四个和弦苦练未遂才这么说的，其实，他们骨子里不过是比俗人更加虚伪的俗人。 有假装朋克的俗人就有假装俗人的朋克，前者为满足欲望和虚荣而后者却为了满足内心和精神需要。[1]
朋克音乐兴起原由
朋克是一种音乐形式，一种文化，不如就把它看成一场对目前生存状态的革命。经历了的盛世，依靠柏拉图式的理想和药物生存的年代，人们生活得太压抑，太木讷。随着一大批顶尖乐队曲高和寡的音乐的路线，年轻的一代发现没有适合自己的音乐，同时愤怒，空虚又在一天天的增长。七十年代，朋克这样一种音乐燃遍了和美利坚大地。几乎每处都可以听到愤世嫉俗的呐喊。直至七十年代末，朋克的热潮过去了。八十年代，重金属替代了朋克，成了这一时期音乐的主宰。而朋克依然在地下积蓄力量，等待一次彻底的爆发。九十年代，Grunge火山终在美利坚爆发，几支乐队一夜之间成了万众瞩目的偶像。可惜好景不长，Kurt Cobain寓所里的一声枪响，结束了一代Grunge伟人的生命，也结束了一个Grunge时代的辉煌。此时，大洋彼岸的亦兴起了“朋克复兴”运动，一批新生代的乐队共同分割着日渐衰败的朋克市场。
朋克音乐妥协
朋克的革命性在于其绝对不会向周围的任何事物妥协，尽管在大多数时候，对立面总是显得那么强大。
朋克在音乐上的不妥协性表现为与商业的势不两立。自从商业界入艺以后，庸俗、流行毒瘤，充斥了艺术界。力图用艺术为自己贴金，将艺术贴上标签放在货柜。商业的界入从来没有为朋克的发展提供一丝一毫的帮助，反而扼杀了众多才华横溢的乐人。Grunge火山喷发之时，Kurt Cobain依靠一张《Never MIND》登上巅峰。其实那张销量最大的专辑并非十分出色，面对歌迷对人不对音乐的疯狂，他也曾失去方向。经过一段时间的思考，终于推出了名垂朋克的《In Utero》，而这张专辑的命运是叫好不叫座。面对热爱的音乐，被糟蹋的现也不会像朋克一样拥有如此众多的地下乐队。被市场抛弃了朋克依旧在愤怒的燃烧。这时候商业与朋克实，Cobain选择离开这个咒骂了多次的世界。一个朋克天才在商业的逼迫下夭折了。商业对朋克这朵带刺的玫瑰已无所适从，另外朋克在市场中渐渐已沦为“食之无味，弃之可惜”的鸡肋，最终的结果是商业悄悄远离了朋克。任何音乐之间几乎断绝了任何的来往。的出现预视着一条崭新的朋克道路的出现。Do it yourself，成为许多朋克乐队的出专辑模式。在地下有我们的希望，在地下有一个真实的世界，朋克在地下跨入新一个千年。
朋克音乐发展
朋克从产生的那天就没有向现实妥协过，正是由于社会的压迫才使得克乐人大多出身在社会的底层，自幼对底层的黑暗、贫穷、暴力有很深的感受，并在他们的心灵留下了不可抚平的创伤。他们企图用音乐摧毁整个让其失望的现实，颠覆许多业已存在的习惯、纪律、规则，打破旧传统的禁锢，去寻找真正属于自由的天性，去寻一批人成了朋克的创造者。这个世界有太多的不公正，丑恶已经生了锈，发了霉的条条框框，常常使得我们不得不心甘情愿接受，在一次次的接受过程中，生命的光芒被世俗的阴云掩盖，良知的铠甲被伪善的污秽所锈蚀，仅存的希望被无情的现实所压垮。日复一日，月复一月，年复一年，在不计其数的机械重复以后，我们被迫离开这个世界。可是朋克却让我们要敢于与人斗，与天斗，与颠覆束缚人性的一切，抛开世俗，获得人性的自由。“真正的勇士敢于面对惨淡的人生”，可能为此付出的代价不仅是名誉、时间、甚至是前途和生命，朋克对当代文明的嘲讽，对一切既定事物的否定和破坏，这不是朋克摧枯拉朽的惊人力量。权威对于朋克而言只是一个天大的笑话。朋克从来不需要权威，不需要主流文化的肯定，更不需要由几个知名人物的赞扬而一步登天。朋找一个明洁的空间，让其能够真实的生活，真实的死去。看到，有许多乐队正籍于此，而艰苦的奋斗着。一些乐队因为众所周知的原因，我们无法听到他们的作品，有朝一日他们的作品出现在我们面前的时候，可能就是我们朋克期待以久的声音。
朋克的发展似乎走入了一条，许多乐队的音乐可以说是脏、乱、差，模糊的声音，不可分辨的器乐，就像一锅不可下咽的猪食。也有几个无所事事的小混混，从时装店购入几件另类的衣物，挂满乱七八糟的金属零件，满嘴吐着脏话，瞧谁谁不顺眼，忽然拿起了吉它，的称“我们是朋克”。事实上，我们中的许多人亦苟同了这样的区分标准，这样的“朋克复兴”给朋克带来的只能是灭亡。朋克需要反叛，但不是轻浮。如果只是为了展示自己的前卫，标榜自己的另类，朋克请这些人滚开。深入的剖析朋克，看到的是朋克灵魂最深处的本质，那是一颗干干净净淌血的良心。让朋克回归久违的真诚，回归良知吧！
朋克音乐Punk(朋克)乐队
朋克诞生于七十年代中期，一种源于六十年代和前的简单。朋克乐队以theVelvetUnderground、theStooges、NewYorkDolls等乐队的简朴音乐为蓝图，试图通过简单的还质朴的本性。不太讲究音乐技巧，更加倾向于思想解放和反主流的尖锐立场，这种初衷在当时特定的历史背景下在英美两国都得到了积极效仿，最终形成了朋克运动。尽管朋克乐队大多惊人地相似，作品也过于单调，但许多著名的朋克乐队都有自己的显著个性特点，比如theRamones的泡泡糖流行乐、theSexPistols的Face(面容)式的强力、Buzzcocks(嗡嗡鸡的)流行感觉、theClash(冲撞)的雷鬼元素、Wire(电线)的艺术试验特色等。此逐渐过渡成后朋克、、等风格，在八十年代中期，朋克运动整体陷入低潮。
朋克音乐朋克类别
朋克音乐原始朋克
（Proto－Punk）又叫前朋克！前朋克发生在六十年代末七十年代初期，当时的一些乐队在简约主义的思绪下，开始尝试创作粗糙的。当时以the Velvet Underground为代表的这种乐队，并非有意识地扮演“重建，还摇滚乐质朴本质，推翻被美化的摇滚乐”这一好斗的角色，很显然，他们所做的一切只是出于一种下意识的反应。尽管他们的音乐并未全面带出日的影子，但至少他们已开始关注的最深层精髓，只是不够反叛罢了，朋克最终发现并延伸了前朋克含糊的朴素精神，并把彻底的造反精神融入前朋克粗糙的音乐，创造出一种挑战社会、否定美化摇滚的，并被无数的青年接受，得以开创朋克王朝。
是一群同60年代晚期和70年代初期的圈子格格不入的们组成的松散联盟.从(The Vel-vet Underground），的声音实验和假装文雅的，到狂野，热衷于性内容的纽约妞（The New York Dolls），以及音乐诗人Patti smith，涵盖了一大批不同的声音和风格，但他们都被一条共同的纽带联系到一起，那就是一种躁动，附庸风雅的力图颠覆，无视甚至改写现有规范的尝试.在这一过程中，这些艺术家的精神－－有时候反倒不总是音乐－－为日后70年代晚期的朋克革命拨下了种子.
现在有不少人总是将和70年代中晚期出现的英美朋克混为一谈，认为他们是一种类型的音乐，都简单地一语蔽之曰&朋克&,这种观点是有些欠妥的.尽管从音乐的表面看他们之间的确有不少相似之处，而且的确彼此之间也存在深厚的联系，再说这种联系只能使他们可以归入同一系统，而并不意味着他们就成了一种风格.这两者之间联系是有的，可差别也不小.且如上文所言，原始朋克和朋克之间的这种联系首先是一种精神气质上的，其次才是音乐形式上的.从精神气质上讲，对比原始朋克和后来的作品我们会清楚地看到在前者的身上更多的倾向于一种带有玩世不恭色彩的技术家气质，甚至是诗人气质；而后者身上更多表现出的则是一种充满碰撞性，破坏性，毁灭性和造反意识的反问化精神，有时甚至表现为嚣张的&流氓气焰&(尤其是The Sex Pistols).音乐上，前者带有更多实验性，先锋色彩，即兴的成分非常多；而后者则是回归早期本源的同时又毁灭它，上也显得简单和直接得多.当然，朋克的重要性也正在于音乐从来没有这么简单和直接过，这也是它对传统摇滚观念带来的巨大冲击与震撼.因此这两者之间的文化价值取向和取向是存在不小差异的.
朋克音乐硬核朋克
(HARDC0RE Punk，又译做核心朋克）硬核朋克是中最强硬个极端的一个变种.属于极端摇滚。
诞生于七十年代末至八十年代初，它把进一步引向极端－－更快、更噪、更僵硬的演奏，喊叫式的演唱、邋遢肮脏的录音效果（有时也包括专辑封套）。这种音乐极其之快速，旋律简单，录制质量水平不高，歌手简直就是在叫喊，叠句很简单，作品看起来（或者听起来）就像是在在什么人家的地下室里录制的.大多数这类乐队相互之间听起来都相似得令人难以置信，但也多少有一些带有与众不同的声音抛在身后，而仅仅保留其观念.
最初产生于，主要是一种美国的现象，并且主要集中在洛杉矶和纽约地区，但在美国的全境内还有一些小规模的零星分布，先后涌现了BlackFlag、HuskerDu、Descendents、MeatPuppets、DeadKennydys、BadBrains等著名的硬核乐队。
而在整个领域的影响面之广，是很少有风格可以望其项背的。
的发展甚至影响了整个八十年代的金属圈子，启发了整个黄金时代。当时几乎每种风格的发展都渗透着HardCore的影子，尽管有的很多喜欢技术派的人不愿意承认，可本身就是与传统金属的结合产物。启发了的元老VENOM的，早期激流金属乐队EXODUS，甚至荷兰元老THANATOS，老派Nunslaughter等一干早期乐队，都在接受采访时承认他们曾受到过的影响。
甚至一些乐队干脆加强了自己编曲中的成分，造就了Crossover这一激流金属中非常重要的风格。
代表乐队有D.R.I.、ATTITUDE、ADJUSTMENT、EXCEL、SIEGE、早期C.O.C.
Witches Hammer这样的加拿大地下乐队也曾经坦言，80年代早期你能在加拿大湾看到身着Slayer服装的鸡冠头，演出现场也经常聚集一些喜欢硬核的人。因为有着同样疯狂的Riff。在界限很模糊。而金属和的分家直到1986年才开始。
.核心朋克继续出现在90年代，而且继续没有汇入主流圈子，可是一些受到&核心朋克美学&影响的乐队包括Nirvana为代表的一批新人成为90年代主要的摇滚明星，而早期的那些核心朋克乐手如Bob Mould,Henry Rollins,Mike Watt,Ian McKaye和Dinosaur Jr.乐队的J Mascis却转变成了另类音乐的偶像，核心朋克的不少观念和特点也被其他不少同时代的风格吸收和转化（如重金属和领域）.另外，核心朋克还有一个更加快速，吵闹，非旋律性，有暴力倾向和白人至上主义倾向的分支－－&Oi&.
虽然对以后众多的摇滚风格产生了深远的影响，但一直没有主流化，这种情况一直持续到了今天。
代表乐队：Converge,Hatebreed,Sick of It All,Black Flag,Dead Kennedys...
朋克音乐后朋克
1977年的朋克革命之后，有一大批的新乐队组建.他们都从独立自主的精神和朴实的声音中得到了灵感.为了避免复制The Sex Pistols的声音，不少这样的乐队进入了更加实验化的音乐领域，将朋克摇滚以外如Roxy Music,David Bowie和T.Rex的影响吸收了进来.结果导致了一由反主流文化精神和挑战公认摇滚传统的旗帜联系在一起的乐队群体的出现.很多像Joy Division 或The Cure这类乐队创造出了一种黑暗，阴冷的音乐氛围，他们同时使用了电子合成器和吉他两件主要乐器；另一些乐队则在音乐上选取了更加轻快一些的路线，尽管他们的歌词和声音之间显得有些脱节，但颠覆了传统的歌曲结构.最终发展成了80年代的.
代表乐队：Gang of Four、Siouxsie & the Banshees、Joy Division、The Cure
朋克音乐新浪潮（New Wave）
流行的时间虽然很短（约），有人却把它与普莱斯利、&披头士&并列，认为是历史上强调反叛精神的第三次&革命&。不管怎么说，的表现的确太极端了。可能为了逃避别人的指责，使自己不那么被人讨厌，紧接着朋克，出现了的一个新名?&。的概念是模糊的。它可以看作是从朋克派生出来的一种，但其目的是为了区别于那些朋克乐队，而且力求在材料和演奏方面更具专业性。于是到了70年代末，英国很多朋克乐队，包括&冲撞&都变成了乐队。英国的代表人物是埃尔维斯·科斯特洛（Elvis Costello，生于1955年），他将多种风格与相结合，剔除了朋克中极端的成份，使音乐听起来不显得那么喧闹。同时他也为朋克时期英国的走向专业化道路（使其具有音乐性）作出了很大的贡献。的概念在用得更为广泛，只要不是明显的朋克或带有先锋派特点的都称作新浪潮。其中，最重要的乐队是&传声头像&（Talking Heads），他们带领其他乐队从朋克走向。&传声头像&由领队戴维·伯恩（David Byrne，生于1952年）建立于1975年。他们避免奇装异服和舞台上的古怪行为，从现代的中吸取材料，产生一种更加复杂的风格，歌词经常强调个人与社会的矛盾冲突。专辑《永不熄灭》（Remain in Light，1980）采用一种来自&简约派&创作原则的风格。在器乐伴奏中，使用了非洲的复合节奏，持续不断的音型贯穿始终，听起来就像是巨大的机器稳定而连续地生产出音乐来一样。在他们的作品中，有时还可感觉到（Reggae，见下文）和其他黑人音乐的影子.
代表乐队：、、、、B-52's、、、、Bauhaus
朋克音乐斯卡朋克
这是同第三次斯卡复兴浪潮紧密相关的一个概念，因为大多数后一类型的乐队都是建立在斯卡朋克基础之上的.顾名思义，他是源自牙买加的斯卡音乐同的一个混种.
Ska-Punk最明显的表现特征是，不加失真（亦或失真很浅）的吉他音色，在弱拍上进行节奏铺底，而贝司进行和声旋律的走向。加之明快的节奏，音乐感觉很跳跃。在演出中，很多观众自发的跳起自编的无名舞蹈，随意、欢快！之后，出现了Ska舞。
斯卡（Ska)　牙买加的一种本土流行音乐形式（属于雷鬼乐族群），50年代产生，60年代早期非常流行，是后来风行一时的雷鬼乐（Reggae）的直接祖先.它受到新奥尔良,乐，非洲古巴黑人音乐，早期以及其他多种音乐形式的影响.这是一种轻快的音乐，蜻蜓点水般的吉他演奏和是它的鲜明特色.从某种程度上讲，我们可以认为它是牙买加人用自己的方式演绎出的节奏布鲁斯.
朋克复兴Punk Revival（朋克复兴）： 九十年代初期，朋克迎来了第二个春天。Green Day和the Offspring的Punk Pop（朋克流行乐）开始使朋克进入，或许受到八十年代末转变为的启发，朋克复兴乐队的音乐不仅保持了简洁的音乐线条和飞快的速度，而且音乐愈发沉重起来。另一方面，强力流行乐讨好的形象和更加圆滑的音效、讲究的编排使听众在感受朋克力量的同时同样可以感受到优美的音乐，这也正是朋克得以复兴的法宝。Punk Pop被视为Post-Grunge（后，即温和商业化的Grunge）重要组成部分。
朋克音乐流行朋克
90年代依然是一个热门主题，尽管这种宿求有时候是以其他方式表现出来的，便是这种性质上的一种&朋克复兴&,期间Green Day乐队商业上的成功是一个很大的推动力.但这一&复兴&已经失去了很多朋克的本色，因为它有大公司操纵的商业运作背景，朋克&愤世嫉俗&也正在被&健康向上&的商业流行因素索取代。[2]
朋克音乐与反民谣
朋克音乐释义
反民谣是一种融合了和朋克的音乐形态，他继承那尖刻的社会价值。
朋克音乐历史
说到它的起源，不得不说一说1983年的那点儿破事。一个叫Lach的小青年带着自己的梦想来到了传说中的Folk City，渴望能够寻找到演出的机会。然而，老板在听了他的演出后，却说，你的音乐太朋克了。第二年，Lach自己在纽约东城区开了家名为the Fort的俱乐部。由于开业恰好撞上了纽约民谣艺术节，这个天生反骨的家伙就把the Fort的开业称为纽约反民谣艺术节。一年后，警方关闭了the Fort，于是the Fort就变成了一个流动性很强的反民谣演出场所。在1993年，反民谣已经得到了国际上的认可，并成为了多个艺人的垫脚石。Beck, Regina Spektor, 以及the Moldy Peaches，都是反民谣的代表人物。《纽约时报》曾在一篇报道中写道，他们（即以上提到的艺人）都有个共同的特征，那就是用颠覆传统且毫无惧怕的态度去创作。
到了2000年左右，反民谣的概念传入英国，并迅速在伦敦，曼彻斯特以及布莱顿的地下音乐圈中传播开来。直到2006年八月，在当月的Timeout杂志中，反民谣已经被认为是伦敦最热门的亚文化之一了。
从音乐来源看，反民谣主要来自于民谣与朋克。它继承了民谣的和缓和木吉他的伴奏，同时也吸收了朋克的激进，节奏以及大胆。它不再只拘泥于民谣对人生对世界亦或是对政治的忧郁和哀叹，它更多的是像朋克一般集中于自我以及自我与世界的关系。反之，它抛弃了朋克的简陋，无畏和大汗淋漓，而是采取了民谣的平静，冷眼旁观整个世界。而在歌词创作方面，反民谣大约可以分为两类。一类向流行靠近，另一类则向独立靠近。前者我们看到的是Regina Spektor，后者我们看到的是Kimya Dawson。歌词大多以简单的东西来表现歌曲的基调。在留给听者更多想象空间的同时，又不至于像听Bright Eyes似的消耗自己的脑细胞。而且，最要命的是，常常在这些简单哼唱的歌词中，我们听到的是更多更纯粹干净的温暖。
Lach在接受《纽约时报》的采访时曾说，刚开始的时候，我们是用民谣化朋克的方式来摇滚（When we started, we were to folk what punk was to rock.）。而当读到这句话的时候，我想到去年听Sonic Youth的新砖The Eternal时，曾读到过这样几句话，“民谣和朋克都对现状极度不满，两者以不同的方式逃避：民谣怀旧，通过退行到童年稚嫩、无辜、干净的状态，来维持起码的生存愿望；朋克破坏，通过否认仇视并破坏一切，在毁灭之后涅磐。”
可以说，民谣和朋克是音乐史上最激进的两种音乐。前者把一切都闷在心里，后者却毫无保留地表现出来。音乐史上从朋克转型到民谣，从民谣转型到朋克的音乐人都大有人在，诸如，Feist， Tony Dekker等。而反民谣，作为民谣与朋克的混合产物，让我们看到了其中和作用的奇妙反应物。或许少了民谣的内敛与深刻，少了朋克的张扬与无惧，但是反民谣的存在，却的确为这个世界上所不可缺少的。
朋克音乐代表人物
Feist本名Leslie Feist，她于1976年出生在加拿大的一个宁静小城卡尔加利，自幼喜欢音乐，后来她便用自己的姓氏Feist给自己取了这样一个艺名。起初先是在高中，她和几个同样喜欢的朋友组建了一支朋克乐队 － Placebo，有意思的是这和现在英国十分走红的那支朋克乐队有着相同的名字。后来Feist率领她的乐队在当地一系列的摇滚比赛中取得了优胜，小有名气的他们后来成为了The Ramones在加拿大演出的开场乐队。也就是在这个时候，Feist选择了音乐作为毕生的事业，她开始艰苦而毫无希望可言的生活，在之后的五年中，Feist开始在加拿大的各个地方演出，也正是这个时候，她结交了很多著名的音乐人士。可是正当Feist准备有更进一步的发展之时，她的嗓子却音乐莫名的疾病不能发声了，面对这个打击Feist几乎放弃了她的音乐人生涯。后来她四处寻医，终于在多伦多找到了一位医生并治好了她的病，于是她决定离开家乡卡尔加利并搬来多伦多开始全新的生活。在多伦多Feist租来的小小的寝室中，她开始利用一台破旧的四轨机为自己录音，而此时她所演绎的音乐已经有了很多的改变。一把吉他，还有简单的歌声，这就是来自Feist的新尝试，做一个民谣歌手。
后来Feist加入了当地的By Divine Right乐队并且开始逐渐被更多的人知道，她和乐队为加拿大老牌队The Tragically Hip做北美巡演嘉宾。在1999年她录制了第一张属于自己的专辑——《Monarch (Lay Down Your Jeweled Head)》，清新的民谣歌曲，仿佛重获新生。2000年，她帮助Peaches制作了专辑《Teaches of Peaches》；两年之后她又加入了By Divine Right的后身乐团——后摇滚风格的Broken Social Scene，并且凭借专辑《You Forgot It in People》一鸣惊人。2004年的《Let It Die》是Feist精心打造的一张清新民谣风格的专辑，其中包括了她翻唱本国民谣歌手Sexsmith以及Bee Gees的歌曲。《Let It Die》专辑中的Mushaboom被Lacoste的香水广告选用。[3]
蕾吉娜·史派克特(Regina Spektor)，尽管曾与前段时间排行榜上火爆一时的“敲击”乐队(The Strokes)一起做过巡演，此外，在过去的几年中，于纽约的“反传统民谣”(anti-folk)圈子中也已小有名气，但是这个名字对于很多人来说显然还是颇为陌生。史派克特已经自发行了3张专辑作品，但却很少能够进入人们的视线，不过随着互联网络对于艺人自我宣传的愈发显着的支持，蕾吉娜·史派克特也逐渐开始为一些人所知。
Rgina Sektor的音乐会让你不禁然地联想到一个很有古怪灵秀气质的女孩，事实上，在她所演绎的大部分音乐中，富于冷峻而诡异变化的钢琴是唯一的伴奏乐器，这让我们想起了另一位现在已身为人母、可当年却以怪异钢琴气质而独步乐坛的女唱作人Tori Amos。但是，如果仅仅给Regina Spektor冠以“怪异风格唱作人”的头衔则无形中大大削减了她音乐中具有的多元化音乐色彩。[4]
“他是从天而降的怪人”，说这句话人的是The Strokes的主唱Julian Casablancas，“他”指的是另一位纽约独立音乐人Adam Green，前Moldy Peaches的主唱之一兼吉他手，目前最主要的Anti-Folk 领军人——假如这种音乐确实有一定规模的话。 忍不住八卦一下这个人做过的怪事：巡演的时候穿成罗宾汉造型，唱描述网络色情业的歌，采访的时候谈论乐队成员的小便味道如何……呃，不想影响你的胃口；所以说，这个人的音乐是自私的，跟所有单飞音乐人一样，他的歌词更加着重抒发个人看法，针砭时事（似乎是音乐人的特色之一）更加肆无忌惮，最近的一次是在新专辑的歌里把Jessica Simpson涮了一道。[5]
．人人网[引用日期]
．百度百科[引用日期]
．百度百科[引用日期]
．百度百科[引用日期]
．百度百科[引用日期]
企业信用信息网易云音乐的歌单推荐算法是怎样的？
不是广告党，但我却成为网易云音乐的的重度患者，不管是黑红的用户界面，还是高质量音乐质量都用起来很舒服。我喜欢听歌，几乎每周不低于15小时，但其实听得不是特别多，并没有经常刻意地去搜歌名，所以曲目数量我并不是很在乎。但是比起其它，网音给我推荐的歌单几乎次次惊艳，而且大多都没听过，或者好久以前听过早就忘记了名字，或者之前不知道在哪听过 只是知道其中一部分旋律，根本不知道名字，等等，听起来整个人大有提升。——————————————————————————————————问题来了，我想知道网音的歌单推荐是网音项目团队精心挑选制作的，还是众多音乐达人的推荐？即：歌单是网音官方提供，还是UGC？才有如此对口味的歌单推荐？求研究过的大神给出详细解答。
按投票排序
175 个回答
这里我想给大家介绍另外一种推荐系统，这种算法叫做潜在因子（Latent
Factor）算法。这种算法是在NetFlix（没错，就是用大数据捧火《纸牌屋》的那家公司）的推荐算法竞赛中获奖的算法，最早被应用于电影推荐中。这种算法在实际应用中比现在排名第一的
所介绍的算法误差（RMSE）会小不少，效率更高。我下面仅利用基础的矩阵知识来介绍下这种算法。这种算法的思想是这样：每个用户（user）都有自己的偏好，比如A喜欢带有小清新的、吉他伴奏的、王菲等元素（latent factor），如果一首歌（item）带有这些元素，那么就将这首歌推荐给该用户，也就是用元素去连接用户和音乐。每个人对不同的元素偏好不同，而每首歌包含的元素也不一样。我们希望能找到这样两个矩阵：一，用户-潜在因子矩阵Q，表示不同的用户对于不用元素的偏好程度，1代表很喜欢，0代表不喜欢。比如下面这样：二，潜在因子-音乐矩阵P，表示每种音乐含有各种元素的成分，比如下表中，音乐A是一个偏小清新的音乐，含有小清新这个Latent Factor的成分是0.9，重口味的成分是0.1，优雅的成分是0.2……利用这两个矩阵，我们能得出张三对音乐A的喜欢程度是：张三对小清新的偏好*音乐A含有小清新的成分+对重口味的偏好*音乐A含有重口味的成分+对优雅的偏好*音乐A含有优雅的成分+……即：0.6*0.9+0.8*0.1+0.1*0.2+0.1*0.4+0.7*0=0.69每个用户对每首歌都这样计算可以得到不同用户对不同歌曲的评分矩阵。（注，这里的破浪线表示的是估计的评分，接下来我们还会用到不带波浪线的R表示实际的评分）：因此我们队张三推荐四首歌中得分最高的B，对李四推荐得分最高的C，王五推荐B。如果用矩阵表示即为：下面问题来了，这个潜在因子（latent factor）是怎么得到的呢？由于面对海量的让用户自己给音乐分类并告诉我们自己的偏好系数显然是不现实的，事实上我们能获得的数据只有用户行为数据。我们沿用 的量化标准：单曲循环=5, 分享=4, 收藏=3, 主动播放=2 , 听完=1, 跳过=-2 , 拉黑=-5，在分析时能获得的实际评分矩阵R，也就是输入矩阵大概是这个样子：事实上这是个非常非常稀疏的矩阵，因为大部分用户只听过全部音乐中很少一部分。如何利用这个矩阵去找潜在因子呢？这里主要应用到的是矩阵的UV分解。也就是将上面的评分矩阵分解为两个低维度的矩阵，用Q和P两个矩阵的乘积去估计实际的评分矩阵，而且我们希望估计的评分矩阵事实上这是个非常非常稀疏的矩阵，因为大部分用户只听过全部音乐中很少一部分。如何利用这个矩阵去找潜在因子呢？这里主要应用到的是矩阵的UV分解。也就是将上面的评分矩阵分解为两个低维度的矩阵，用Q和P两个矩阵的乘积去估计实际的评分矩阵，而且我们希望估计的评分矩阵和实际的评分矩阵不要相差太多，也就是求解下面的目标函数：这里涉及到最优化理论，在实际应用中，往往还要在后面加上2范数的罚项，然后利用梯度下降法就可以求得这P,Q两个矩阵的估计值。这里我们就不展开说了。例如我们上面给出的那个例子可以分解成为这样两个矩阵：这两个矩阵相乘就可以得到估计的得分矩阵：这两个矩阵相乘就可以得到估计的得分矩阵：将用户已经听过的音乐剔除后，选择分数最高音乐的推荐给用户即可（红体字）。将用户已经听过的音乐剔除后，选择分数最高音乐的推荐给用户即可（红体字）。在这个例子里面用户7和用户8有强的相似性：从推荐的结果来看，正好推荐的是对方评分较高的音乐：从推荐的结果来看，正好推荐的是对方评分较高的音乐：
这就是amazon发明的“喜欢这个商品的人，也喜欢某某”算法。其核心是数学中的“多维空间中两个向量夹角的余弦公式”，当初我的确是被这算法惊艳到了。============= 更新 =============================不好意思，之前说的有误，特来更正兼补充。“商品推荐”系统的算法(
)分两大类，第一类，以人为本，先找到与你相似的人，然后看看他们买了什么你没有买的东西。这类算法最经典的实现就是“多维空间中两个向量夹角的余弦公式”；第二类, 以物为本直接建立各商品之间的相似度关系矩阵。这类算法中最经典是'斜率=1' ()。amazon发明了暴力简化的第二类算法，‘买了这个商品的人，也买了xxx’。我们先来看看第一类，最大的问题如何判断并量化两人的相似性，思路是这样 -- 例子：有3首歌放在那里，《最炫民族风》，《晴天》，《Hero》。A君，收藏了《最炫民族风》，而遇到《晴天》，《Hero》则总是跳过；B君，经常单曲循环《最炫民族风》，《晴天》会播放完，《Hero》则拉黑了C君，拉黑了《最炫民族风》，而《晴天》《Hero》都收藏了。我们都看出来了，A,B二位品味接近，C和他们很不一样。那么问题来了，说A，B相似，到底有多相似，如何量化？我们把三首歌想象成三维空间的三个维度，《最炫民族风》是x轴，《晴天》是y轴，《Hero》是z轴，对每首歌的喜欢程度即该维度上的坐标，并且对喜欢程度做量化(比如： 单曲循环=5, 分享=4, 收藏=3, 主动播放=2 ,
跳过=-1 , 拉黑=-5 )。那么每个人的总体口味就是一个向量，A君是 (3,-1,-1)，B君是(5,1,-5)，C君是(-5,3,3)。
(抱歉我不会画立体图)我们可以用向量夹角的余弦值来表示两个向量的相似程度， 0度角(表示两人完全一致)的余弦是1， 180%角(表示两人截然相反)的余弦是-1。根据余弦公式,
夹角余弦 = 向量点积/ (向量长度的叉积) =
( x1x2 + y1y2 + z1z2) / (
跟号(x1平方+y1平方+z1平方 ) x
跟号(x2平方+y2平方+z2平方 ) )可见 A君B君夹角的余弦是0.81 ， A君C君夹角的余弦是 -0.97 ，公式诚不欺我也。以上是三维(三首歌)的情况，如法炮制N维N首歌的情况都是一样的。假设我们选取一百首种子歌曲，算出了各君之间的相似值，那么当我们发现A君还喜欢听的《小苹果》B君居然没听过，相信大家都知道该怎么和B君推荐了吧。第一类以人为本推荐算法的好处我想已经很清楚了，那就是精准！代价是运算量很大，而且对于新来的人(听得少，动作少)，也不太好使，所以人们又发明了第二类算法。假设我们对新来的D君，只知道她喜欢最炫民族风，那么问题来了，给她推荐啥好咯？如图，推荐《晴天》！呵呵，第二类算法的好处大家也看出来了，简单粗暴好操作(也适合map-reduce)，可精度差了点。所以，各家网站真正的推荐算法，是他们在综合上述两类算法的基础上，各自研制并且不断地改进调节的，外人不得而知！ ^_^===
再补充 ===多谢 @刘彦彬 给了一个非常专业的评论 ，不贴出来可惜了。“这个只能说是理论基础。歌曲不考虑热门冷门，同时不考虑用户数和歌曲数计算复杂度的话第一一天内离线数据计算不完的（当然网易云音乐用户量小全量暴力计算当我没说），实际应用起来复杂很多了。现在的推荐系统并不存在一种算法通吃，除了算法上的问题，还需要考虑基础数据的影响因素，比如两张歌单有多少歌曲重合，歌单的质量是怎么样的。” 我上一帖也说了，'向量夹角余弦' 解决的是‘量化顾客口味相似度’的问题(是最经典的解法，也有别的解法)，不是有了它就能轻易实现第一类算法的，难处在后面咯。我不是干‘CF/算法/数据挖掘/互联网’的，只是几年前偶尔瞄到过这方面文章被惊艳了一下，见到这题就随口抖了个机灵，然后被评论区几位带板凳来的朋友给推上来了 ^_^既然大家都这么有兴趣，我在来抛块砖，说说‘有了理论基础之后咋整’的思(nao3)考(dong4)。继续第一类算法的话题，目标“每日歌曲推荐”(其实题主感兴趣的是这个吧，旁边‘根据你喜欢的xxx推荐的yyy歌单’我觉得不咋样)。首先就是如何定维度。
直接用‘歌’当维度是不行的，第一是太多了算不过来，第二维度数一直猛涨也不是个事。用‘歌单’或者‘专辑’，‘演唱/演奏者’呢？也有类似的困难。说到这里大家应该都意识到了，咱不是还有‘tag’嘛！云音乐初期，tag是可以由大家自己填的，我记得我填过‘莫扎特’，‘钢协’，‘交响’这样的tag，现在都不见了吧。一段时间之后，tag无法自填了，只能从云音乐给的tag lib中选，这肯定有原因的。我的推测就是，他们需要用tag来当作维度，所以不希望tag数经常变化。第一阶段，他们需要搜集用户的输入来做出tag lib，第二阶段，他们构建了多维度空间，就不希望再动维度了，因此关闭了自填tag的功能。假设就用tag做为维度，那么第二个难处在于，维度上的'刻度'必须有正有负才好使，用户没有机会直接表达对tag的好恶(不能收藏，播放，跳过一个tag)，如何定刻度呢。我认为每一首歌背后是有其所属tags这个属性的，这个属性在UI上看不到很可能是因为比较容易引起口水。歌往往隶属于很多歌单，而那些歌单都是有tags的，根据那些歌单的播放数收藏数分享数可以决定其'权威性'，取'权威性'高的歌单的tag，就可以得到每首歌的tag属性。然后用户在表达对一首首歌的好恶的时候，其实就不知不觉地影响了他在相应维度上的刻度。假设维度和刻度都这样解决，那么我们可以对每个用户做出‘口味向量’了，接下来的难处是，啥时候算/如何保存‘用户相似性’？所有用户两两算一下相似性，存为一个NxN的矩阵，这种事情不是闹这玩的。其实到了这一步，不考虑‘以人为本’，直接根据我喜欢的tag，从各tag里挑一些人气高的，或者蹿升快的歌来推荐也算是能交差了。不过那样的话，就容易同质化，也就不易让用户‘惊艳’了。让我们继续沿着第一类算法的思路琢磨琢磨。多维度空间还有一大好处是，有‘像限’这种的概念，比如我们可以粗暴地假设，和我同一个像限的人，就是和我‘相似’的人，如果因为维度太多，或者初期用户太少等原因找不到同像限的人， 还可以去‘相邻’的像限找嘛。OK，假设我们根据tag以及自己的像限，找到了一批和自己‘气味相投’的人。再丛这批人中，选几个‘和我夹角余弦’最大(再综合一下个人名声比如星标，粉丝数，和我的互动度等，更好)的人，从他们听过而我没听过的歌中，再选一批 他们喜欢，或者他们新听到，新收藏，或者总人气高的等等，就可以说是“根据我的口味生成”的“每日歌曲推荐”了。以上内容，均是臆测，如果雷同，纯属巧合 ^_^
感觉 @邰原朗 的回答的确给出了CF和Item-based Similarity的很浅显解释，的确也是大多“个性化推荐系统(Personalized Recommendations System)“所使用的算法，但是感觉有点离题和缺乏深度，no offense。网易内部怎么做到这么好的推荐？在知乎上面问几乎不会得到正确答案的吧，我的答案只是从我的经验出发： “如果设计产品的话，我会这样思考”。一个优秀的推荐系统不仅仅是个性化算法这么简单 -- 基础的也好，fancy的也好 -- 一个完整的推荐系统体系怎能不提及官方团队推荐（Editorial）、UGC（User-Generated Content）和热门推荐（Top Seller/Trending）的协作呢？相似度矩阵（Similarity Matrix）：大家提的各种算法里面，几乎都是基于相似度的吧 -- 无论是CF还是Content based产生的相似度，前者需要用户的行为数据，后者需要歌曲的元数据（metadata），比如旋律、Tag等等。具体算法就不再复述了，属于计算机科学的基础内容，很多人都说过了，实现起来简单。虽然很多人给出了沙盒的数据，但是这些数据实在是太好了，虽然不知网易数据的“质”和“量”如何，但是应该不至于这么好（？）。所以，凭单一的方法真的大丈夫吗？我们先从Similarity的问题说起:大多数用户一开始会先从自己熟悉的歌曲开始，然后一般都会给出非常相关的推荐，比如你听周杰伦的任何歌曲，他的其他热门歌曲肯定都会非常相关，比如周杰伦的《晴天》，周杰伦的《游园会》，周杰伦的《七里香》，也不失为一个好的推荐。但是你会发现全都是周杰伦，单调死了。全是周杰伦的理由很简单，因为很多用户都连着听下去呀，听完一首周杰伦到下一首周杰伦，听完这个专辑听下个专辑。如果你往后再翻翻，估计还能找到别歌手的歌曲，但是请记着：你的屏幕就这么大，坑就这么多，再好的推荐不能在考前的位置被用户看到和消费到终归也还是扯淡。现在我们来尝试解决这个问题，我们先来做个简单的多样化过滤，我们限制来自同一个歌手的推荐数量，这样后面更多歌手的歌去被推上来了，很好。现在又一个的问题来了，陈奕迅这时候发新砖了，用户一下子蜂拥去听他的新砖了，包括周杰伦的一众拥趸们也跑去观望了一下，这样的情况持续了一个多月，这下好了，用户看到的推荐里面现在几乎都能看到陈奕迅的这些歌了，尽管他这的歌跟周杰伦的歌原本不至于这么相关。而且由于这个效应，更多的人从推荐里面点进去了听陈奕迅的这些歌，造成了一个恶性循环，使得你的Similarity以为他们真的相关，这时候其他真正相关的优质推荐却被挤压到后面了。我们来尝试解决这个问题，最简单的莫过于是计算相似度的时候过滤掉“过于”热门的歌曲了，把这些歌曲推后吧，感觉问题应该也能解决了。现在一波未平一波又起，假设现在一个非常优秀的Indie歌手，唱的歌也好有周杰伦的早年的范，反正就是非常相关，周杰伦的歌迷肯定会喜欢那种（对不起实在不熟悉国内歌手，幸亏不是做的这行，这位迷一样的歌手大家请自行脑补）。这位迷一样的歌手刚出道，宣传力度不大，也只有少数几个地方能听到他的歌曲，只有被小数的几个周杰伦迷给发掘出来了，现在问题来了，我们该如何使得这个歌手被发掘出来呢？这个基本上与上一个问题相反，这是冷门的优秀推荐很难被发掘。这时候我们可以用点归一化（Normalization）的小伎俩微调一下。值得一提的是，归一化更能给解决一下上一个提及的太过热门的问题，类似tf-idf(–idf)。可以说怎样做Normalization才是各大厂家的杀手锏吧，虽然都可能大同小异，但是不同行业还是需要细分。先别歇下，更多的问题将要来袭:Similarity的确是非常natural的推荐算法，事实上当数据足够大、足够干净和精确的时候，Simialrity是很难被打败的。但是设想如果是网易音乐发展初期，没有很多用户数据的情况下呢？又如果是网易音乐急速扩张时期，用户数据很多但是很sparse的时候呢？又从用户角度切入，设想是一个刚加入的新用户，并没有其它用户数据来源来提供推荐的情况下呢？这些冷启动问题，又该如何解决呢？难道就应该放弃这些用户？可能我们可以做更多的Trick来调整我们的算法，也可以去尝试更fancy的其他算法，尝试去做Hybrid、fused的系统，但是首先，产品的研发周期会变长，开发投入变大，系统变复杂维护的消耗更大，然后更糟糕的是因为进展缓慢，用户一直看的就是不咋地的推荐，用户开始流失，数据更加稀疏，最后导致恶性循环。可以移步参考
的答案（），描述的是multi-tenancy和纯Similarity的其他问题。工程师的尊严并不是钻牛角尖:...而是拿出creative的思维来跳出盒子，尝试通过别的途径来解决这些问题。我们先从做一个首页显示热门榜单开始，这是一个非常容易实现的功能，计数、排序、简单分类：中国、欧美、日本和韩国，按流派也行：流行、摇滚、古典，甚至按年龄段或者群体，不外乎是几个数据库搜索的事情。但是这些热门排行榜却作用非凡，用户可以从中发现当前的大趋势（Trending），比如说，现在张杰比周杰伦风头要盛，听听张杰的看看怎样。由此榜单也能帮助用户发现他本来兴趣圈以外的东西。这么容易实现的功能，却也可以带来不少的好处，属于“low hanging fruit”，没有不摘的理由。然后我们来聘请一批专业的媒体编辑员，让他们根据我们歌曲库里的内容，生成比较专业的榜单，比如：“高逼格小清新”，“喧嚣中，不妨试的调调” 还有 “被遗忘的经典华语女声”。用过其它的歌曲软件的人估计对这个也不陌生，比如说虾米。这个也能很大程度上帮助用户发现兴趣圈以外的东西，而且由专业人员生成的歌单，更有目的性，比如说你喜欢苏打绿是因为“小清新”，那么在“小清新”的歌单里的，就是一大批高质量的，对你而言非常优秀的推荐了。这样的功能也能很快组织和实现起来，好处也是大大的。最后，看到了知乎的威力以后，我们考虑做UGC。从做一个简单的UGC功能开始，我们现在另开一个数据库，允许用户保存自己的歌单，并在个人主页推荐这些歌单。同时我们在主页中定期置顶一些访问量较大的歌单。功能上非常容易实现。UGC所激发的用户潜能可以使得用户产生与专业编辑员质量相当的、甚至更高的歌单。功能上的实现实在是再简单不过，效果更是不言而喻。这时候我们的很大一部分问题得到解决，就算是我们的Similarity所产生的推荐并不是那么好的时候，我们的用户并不会由此而失去发现音乐的途径。听歌的人多了，用户保持engaging，老用户们持续产生高质量的数据，我们之前的个性化推荐算法也能有更好数据来调整参数，从而产生更好的音乐推荐，更好好的用户群体也能推动热门榜单与UGC的发展，进入良性循环。我希望我阐述清楚了一个好的推荐系统“生态圈”的重要性，算法牛逼的当然有，再牛逼的都有，但是你总要trade-off，总会有不足。现实中，估计很少问题被是“一条路走到黑”地，“简单暴力”地方法解决的吧。现在再来回顾题主的问题：“网音给我推荐的歌单几乎次次惊艳，而且大多都没听过，或者好久以前听过早就忘记了名字，或者之前不知道在哪听过 只是知道其中一部分旋律，根本不知道名字，等等，听起来整个人逼格大有提升。”"我想知道网音的歌单推荐是网音项目团队精心挑选制作的，还是众多音乐达人的推荐？即：歌单是网音官方提供，还是UGC？才有如此对口味的歌单推荐？"我的猜测(因为我永远不知道答案)是：都有。我感觉题主描述的就是一个成熟的推荐系统生态圈共同作用的结果，刚刚去看了一下网易云音乐的界面（所幸暂时还没有地区限制），的确也是有这些功能的。（） 题主得到的高逼格推荐，很可能就是最早来源于一个名为“高逼格小清新”专业编辑推荐歌单，有效地引导了兴趣相投的用户去发现这些音乐，大多跟你有相似品味的人都听过并感觉不错，最后还经过fancy算法“沉淀”、“发酵”，产生了很好的相似度，从而生成了了这么优秀的推荐并推送了给了题主。然后题主来知乎发了个帖子，大家被“惊艳”到了，更多的新用户加入，perfect！最后，如果真的有这么多用户都觉得网易云音乐的推荐都非常“惊艳”的话，那这个产品就实在是太成功了，特别是考虑到“众口难调”的音乐领域。
最近研读了下「集体智慧编程」，书中提供了完整的推荐算法介绍。个人参照其中，并模拟网易云音乐的情景来举些例子（全文所有数据虚构，仅供参考）。在详细介绍推荐算法前，要提一下协作型过滤（Collaborative Filtering）的概念：协作型过滤算法会通过对一大部分人进行搜索，从中发现与我们品味相近的一小部分人。算法会对这些人所偏爱的其他内容进行考查，并将它们组合起来构造出一个经过排名的推荐列表。有许多方法来帮助我们确定哪些人与自己的品味更加相近，在本文中我们将提到两种方法来实现这个目的，基于用户的协作型过滤和基于物品的协作型过滤。我们先从更易理解的基于用户的协作型过滤开始。基于用户的协作型过滤的流程至少包括以下四个步骤：建立评价规则搜集用户偏好寻找相近的用户推荐歌曲1.建立评价规则下图是我随意做的一个评价规则。评价规则应该根据明确的用户行为来建立。需要特别注意的是，这个评价规则是可以随着开发者收集到数据和侧重点的不同进行变更（当然不能频繁变更）。需要特别注意的是，这个评价规则是可以随着开发者收集到数据和侧重点的不同进行变更（当然不能频繁变更）。2.搜集用户偏好根据评价规则，我们可以得到每个用户和该用户相关的每首歌的一个得分。 下图也是我随意造的数据。3.寻找相近的用户常用的计算相似度评价值的体系有两种：欧几里得距离和皮尔逊相关度。欧几里得距离非常直观。我们以经过人们一致评价的物品为坐标轴，然后将参与评价的人绘制到图上，并考查他们彼此间距离的远近，如下图：（用R简单地画一下，莫吐槽太丑）（用R简单地画一下，莫吐槽太丑）再次强调，欧几里得距离评价的核心是距离，这与票数第一名答案（）中用角度余弦值来评价有本质区别。相比欧几里得距离，皮尔逊相关度评价是一种相对复杂一些的方法。它通过计算两组数据与某一直线拟合程度的相关系数，来判断两个对象的兴趣相似度。虽然皮尔逊相关度评价比欧几里得距离评价的计算公式更复杂一些，但是它在数据不是很规范的时候（比如对甲乙做比较，甲的用户偏好评分普遍高，乙则相反，用欧几里得距离评价的结果通常南辕北辙）往往能给出更好的结果。我们以做对比的两者分别为坐标轴，在图中标出两者对共同音乐的评分情况。如下图所示。根据周杰伦和那英的用户偏好，《真的爱你》分别得分为3分和3分，因此《真的爱你》定位在图的(3,3)处。图中的虚线是最佳拟合线（本例中我采用的是OLS模型。绘制原理简言之，就是让这条线尽可能地靠近图上所有的数据点）。如果两位用户对所有歌曲的偏好情况都相同，那么这条直线将成为对角线，并且会与图上所有的数据点相交，从而得到一个结果为1的李响相关度评价。第一幅偏好空间的相关系数较低，下面是一个相关系数较高的例子。采用皮尔逊相关度评价的一个明显好处是，它修正了“夸大分值（grade inflation）”的情况。在第二幅偏好空间中，虽然汪峰总是倾向于给出比周杰伦更高的分值，但最终的虚线几乎是拟合的，这是因为他们两者有着相对近似的偏好。而皮尔逊相关度评价的结果是否就是我们想要的结果，取决于具体的应用场景。4.推荐歌曲接下来系统要做的就是，为用户郑昊提供歌曲推荐。我们当然可以查找与郑昊品味最相近的人，从他所喜欢的歌曲中找出一首郑昊可能还未接触过的歌曲。不过，这样的做法未免太随意了。目前最通用的做法是，通过一个经过加权的评价值来为歌曲打分，评分结果即排名结果。为此，我们需要取得所有其他用户的分数，借此得到相关系数后，再乘以他们与相关歌曲的分数，求和之后再除以对应的相关系数总计，便能获得一个我们需要的评价值。在下表中我们给出了具体的做法。「相关系数」一列来自于皮尔逊相关度评价。「歌名」对应各用户的得分来自评价规则处理后的结果。将前两者一一对应相乘，便是「歌N*相关系数」的值。如此一来，相比于与我们不相近的人，那些与我们相近的人将会对整体评价值拥有更多的贡献。总计一行给出了所有加权评价值的总和。我们可以用总计值来计算歌曲排名，但是我们还需要考虑到，这样人数会对一首歌的得分产生正相关影响。为了避免这一问题，我们需要将总计除以相关系数总计。相关系数总计等于所有对这首歌曲有影响的用户的相关系数之和。表中最后一行就是我们所需要的结果。接下来，我们来介绍基于物品的协作型过滤。如果将基于用户的协作型过滤简述成如下形式：网易云音乐用户甲-&偏好相近用户-&相关歌曲-&推荐列表。那么基于物品的协作型过滤也可以简述成如下形式：1.歌曲A-&相关用户-&相关歌曲-&推荐列表；2.网易云音乐用户甲-&偏好歌曲-&推荐列表。步骤1是对任意一歌曲进行数据抓取，找到相关用户和这些用户的偏好数据，再去得到相关歌曲信息，获取与该歌曲相近的最优推荐。由于与用户无关，所以步骤1可以安排在网络流量不是很大的时候进行，或者在独立于主应用之外的另一台计算机上单独进行。这里的歌曲A可能是任一一首歌。步骤1承担了大部分的运算工作。步骤2在用户甲有相关需求时发生，通过获取用户甲的偏好歌曲和步骤1的结果，就能找到给用户甲的歌曲推荐。
最近几天刚好在做网易云的推荐歌单分析。说一点自己的看法吧。
熟悉网易云的人都知道，歌单的推荐有两种，第一种是推送是每日推荐歌曲，第二种是推送歌单组合。一、每日歌曲推荐：
好吧这里应该有结论：
网易云的推荐算法基础是基于协同过滤，极大可能有通过标签二次过滤。
推荐系统分析的行为有播放、下载、收藏歌曲。可能存在行为叠加。
对用户不完整播放的行为不敏感，这个应该算是缺点吧。
总的来说，推得还算准确。但是推荐算法不算太先进。大家觉得准确，可能是由于网易云使用的用户人群属性较单一，对于推荐算法来说这样的人群是十分理想的。，有兴趣可以去参考下QQ音乐的推荐系统，在对用户行为的分析上，会更完善。
推荐的依据，官方声称的是由试听记录、收藏歌曲、收藏歌手进行推荐的。而事实上，能产生用户兴趣的行为，可能会包括：试听歌曲、收藏歌曲、收藏歌手、收藏专辑/歌单、搜索、关注用户、下载歌曲。所以新建了些空白样本在网易云的web端做了个测试。
可以看出，网易收集的用户行为有包括：试听、喜欢、下载。官方声称的根据歌手推荐没有返回结果。
而当中，有试听的情况，推荐系统的反应是最好的，有推荐歌曲的入口跟推荐的歌单。而下载及收藏歌曲其次，没有推荐入口放出，但是用url访问地址，有推荐的歌曲。所以可以试试判定在行为分析上，网易云的权重是：试听
这有点不符合常理，因为普遍觉得喜欢跟下载，是一种更强烈能反应出用户兴趣的行为。所以截包分析了一下，发现在每次播放结束后，会向服务器传递一个行为记录。当中会对用户兴趣产生影响的有：是否完整播放及播放的时长，歌曲的来源。所以觉得，在推荐行为里面可能的权重为（按用户操作的成本）：
下载+播放 & 喜欢+播放 & 搜索+播放 & 播放 & 下载 & 喜欢
然后，再来看一下有推荐结果的行为：
目测第二天的数据是没上传到给服务器，或者推荐的算法权重判断上，对某些歌曲的播放次数会比是否最近播放更优先。
再看一组播放数据：
这次可以确定，用户2第二天的数据是没上传成功了。推荐系统对是否最近播放的反应很敏感，对主动中止播放这个行为不敏感。这里应有吐槽，因为切歌算是一种用户主动不喜欢的行为，理想的推荐结果，应为全部都是纯音乐。
最后纯喜欢/下载的用户，推荐的歌曲还算准确。但是4个用户的结果加起来，感觉在推荐出来的歌曲风格上十分单一。所以怀疑，推荐系统运转先是基于协同过滤，然后可能存在标签矫正的机制。也有可能是通过歌手这个纬度的矫正，因为这样的成本没标签高。二、歌单推荐：
歌单推荐相对于歌曲推荐算法会简单很多。主要的逻辑会有：
可能喜欢的歌曲，是经过试听记录去判定的，多次听一首歌，推荐系统就会判定你可能喜欢这首歌。
其实歌曲，都可以分解成一个很大的标签集的（粤语、摇滚、快歌…），能归类进一个歌单里面，直接通过单曲去索引歌单，对用户兴趣的命中率也很高。QQ的专辑推荐也还是基于这个。
准不准的结论不好给，推荐给我的歌单，其实在自己常用帐号还是偶尔能发现不错的。起码比QQ的好了。
首先，推荐算法有三种常用的基本套路1、基于内容的推荐（content-based filtering）。 引用
的解释，是音乐信息检索的领域，学术上一般content-based是特指音频内容本身的，主要涉及feature extraction，专辑、歌手和歌词等基于text或tags的因素，通常用来与content相结合来提高检索效率的。2、基于协同过滤推荐（collaboration filtering）。基于广义的排行榜行和热门排行进行推荐。3、社会化推荐（social recommendation）。基于关系的推荐。推荐系统能实施起来的两大前提，1）信息过载；2）需求不明确（明确需求请找搜索引擎）。2011年的Recsys大会专门邀请了Pandora的研究人员对音乐推荐进行了演讲。演讲人总结了音乐推荐的如下特点。物品空间大　物品数很多，物品空间很大，这主要是相对于书和电影而言。消费每首歌的代价很小　对于在线音乐来说，音乐都是免费的，不需要付费。物品种类丰富　音乐种类丰富，有很多的流派。听一首歌耗时很少　听一首音乐的时间成本很低，不太浪费用户的时间，而且用户大都把音乐作为背景声音，同时进行其他工作。物品重用率很高　每首歌用户会听很多遍，这和其他物品不同，比如用户不会反复看一个电影，不会反复买一本书。用户充满激情　用户很有激情，一个用户会听很多首歌。上下文相关　用户的口味很受当时上下文的影响，这里的上下文主要包括用户当时的心情（比如沮丧的时候喜欢听励志的歌曲）和所处情境（比如睡觉前喜欢听轻音乐）。次序很重要　用户听音乐一般是按照一定的次序一首一首地听。很多播放列表资源　很多用户都会创建很多个人播放列表。不需要用户全神贯注　音乐不需要用户全神贯注地听，很多用户将音乐作为背景声音。高度社会化　用户听音乐的行为具有很强的社会化特性，比如我们会和好友分享自己喜欢的音乐。上面这些特点决定了音乐是一种非常适合用来推荐的物品。Pandora背后的音乐推荐算法主要来自于一个叫做音乐基因工程的项目。这个项目起始于日，它的成员包括音乐家和对音乐有兴趣的工程师。Pandora的算法主要基于内容，其音乐家和研究人员亲自听了上万首来自不同歌手的歌，然后对歌曲的不同特性（比如旋律、节奏、编曲和歌词等）进行标注，这些标注被称为音乐的基因。然后，Pandora会根据专家标注的基因计算歌曲的相似度，并给用户推荐和他之前喜欢的音乐在基因上相似的其他音乐。Last.fm于2002年在英国成立。Last.fm记录了所有用户的听歌记录以及用户对歌曲的反馈，在这一基础上计算出不同用户在歌曲上的喜好相似度，从而给用户推荐和他有相似听歌爱好的其他用户喜欢的歌曲。同时，Last.fm也建立了一个社交网络，让用户能够和其他用户建立联系，同时也能让用户给好友推荐自己喜欢的歌曲。和Pandora相比，Last.fm没有使用专家标注，而是主要利用用户行为计算歌曲的相似度。--------------------------分割线：以上科普源自项亮的《推荐系统实践》-----------------------目前大部分做推荐的应用推荐逻辑应该都是多种逻辑并行。编辑推荐和用户推荐的歌曲一般会有专门的版块展示。个性化推荐理论上来讲都是通过算法直接从大库里面由程序产出的。1）冷启动的时候基于热度的推荐会比较多，推荐流行热点音乐总是不会错的。2）在用户使用一段时间，用户行为达到一定样本量以后，程序开始通过内容和社交关系逻辑产出内容，并且与热门内容按照一定比例推送给用户。用户所有的行为（包括下载/喜欢，评论，播放完成度，播放次数等等）都会以不同的权重呈现在后续的推荐逻辑中。至于准确不准确，合不合口味这个事情，与推荐算法的关系其实是不大的。做内容推荐的关键是内容质量是否过关。也就是音乐库里面对不同歌曲，不同歌手的音乐基因标记的是否正确，是否够专业，我觉得Jing.FM是近两年相对专业一些的个性化电台。
先说下冷启动,冷启动问题就是解决新用户,新歌曲的推荐问题.一个新用户过来,网站对其一无所知,如何进行推荐,一首新歌,在用户数据的积累上也是一片空白,应该把它推荐给谁.对音乐网站来说,这几个问题都不算是大问题,特别是itembase的算法,只要一有行为,就会有推荐产生,作为音乐本身,经过一小段时间的积累,就会在数据上有相似的音乐产生音乐是个难以琢磨的东西,但是还是可以从一些描述中看出端倪,用一些人工的维度进行区分,比如歌手,比如语言,比如风格.网易在冷启动问题上,我猜测也使用了决策树的方式对各个音乐的标签进行筛选,通过分裂最大熵的标签来筛选用户的初始口味.什么叫最大墒?笼统的说,现在有这么几个标签,快歌,重金属,轻音乐.我只能问你一个问题,然后就需要对你进行推荐,也就是说,哪个标签可以最快速的切分用户?假设我们有10w首歌曲,有快歌标签的有5w首,重金属有2w首,轻音乐有1w首.那么我第一个问题就是"你喜欢挺快歌吗?"这样的划分就是墒最大的划分,如果还能再问一个问题,假设在快歌里有1w首是重金属,1k的轻音乐,那么下一个问题就是你喜欢重金属吗?以此类推,如果都是2分问题的话,5个问题就可以把用户分成32类,平均下来每一类就是3.125%,算是很细致的了.有了初始化的测试,就可以按照标签来进行推荐了.那我们再来搞清楚一个问题,y do we use tag to recommend?当我们描述一道菜的时候,会用一大堆的形容词,比如说辣的,甜的,脆的,软的.像初恋一样的,这些都是从食物里提取出来的特征,用来描述一道菜是什么样子的.音乐也是一样,,快歌,重金属,轻音乐都是tag,用来描述一首歌曲.有了tag就可以把一首歌进行抽象,不然计算机怎么知道这首歌到底是一首什么歌呢?(还有一种方法就是进行音乐指纹的提取,这又是另一种思路了),那么在计算机看来呢,每一首歌就是一堆tag的向量,such as 我的滑板鞋的tag 假设是 (作者,曲风,时长,热门程度,等等等),tag的生成可以是用户ugc标记,也可以由编辑在上传歌曲的时候标记上,这些问题都不大.tag怎么用?用了tag之后,计算机就能描述一首音乐了,于是你就去听了几首歌,这时候,歌曲本身是含有tag的,这些tag就可以描述你,那么余弦也好,皮尔逊也好,一大堆相似度算法就可以用上了,通过tag中介,就可以计算听者和听者的相似度,歌和歌的相似度,也可以直接用tag进行推荐当然这个是非常之粗糙的,但是用来作冷启动还是不错的.再让我们想一想,描述一首音乐一定要使用tag吗?还有什么可以作为维度来描述这首音乐的?答案就是人,所有的人都是音乐的一首维度,我的滑板鞋子的维度就是(丁磊喜欢,马云不喜欢,罗永浩没听过),反过来,音乐也是人的维度丁磊(我的滑板鞋,你的滑板鞋,他的滑板鞋),这样一来,省掉了一大堆编辑tag的时间,同时增加的是运算量,处理的方式和用tag是类似的.在一个用户有了一定的行为之后,我们用他听的歌来描述他,而不是抽取的tag来描述他,这样在原来的基础上更近了一步,但是这样和真是的情况相比如何呢?可以试着来回答一个问题:Why do you listen to this song?A回答,因为是孙燕姿唱的,B回答,音乐是慢歌,C回答,因为不好听我想回答是千奇百怪的,而这些正是用户听一首歌的真正原因,这是不是和tag又有点相似?好像饶了一圈又回来了,不得不承认,听某一首歌曲的人会有很多原因,但是往往原因不太多,就像很多人会去看罗永浩的微博,但是原因往往五花八门,为老罗洗地的有,黑的有,还有根本不知道他是什么东西的也有.使用tag有2个很重要的毛病,一个是维度有限,因为都是人工创造的,不能覆盖所有的情况,有可能漏掉很重要的维度,第二个毛病是维度的权重没办法定义,就像去老罗的微博,洗地的权重,黑的权重,其他人的权重又是多少,这些都是tag没办法给出的.假设我们有一个办法可以找到事实背后的隐含变量,那么一切都会迎刃而解矩阵分解降维的方法就可以完美的解决这个问题,把用户和音乐分配到各个维度上,假设是1000个,那么这时相当于有1000个标签,但是这些标签不是人工打上去的,而是降维降出来的,所谓降维,原来我们把每个用户作为一个维度去描述一首歌,现在把这些用户合并合并,抽象抽象,选择其中的共性,降到1000维,并且这1000维都是有各自的权重的,举个例子,我的滑板鞋子(走掉30%,有趣30%,励志20%),就变成这样了,最为关键的一点在于,这样出来,用户和音乐的维度被统一了,这个就超级屌了,原来的推荐要么是计算人与人之间的相似度,再过度到音乐,或者是通过音乐之间的相似度,进行类比推荐,矩阵分解可以从人通过隐藏维度直接到音乐,并且隐藏维度的权值都是可以算出来的,简直逆天了.再换一个思路来看这个问题,我是一个网站的所有者,我并不知道你为什么去听一首音乐,我是一个观察者,我看了太多的人的歌单,几百万的,几千万,甚至是每天几亿的流水,如果有在商场卖过东西的人一定有这种体会,什么样子的搭配是经常出现的,一个老道的销售人员就是被每天的流水给磨练出来的,买烟的人,配一个打火机应该是个常见的搭配,每天烟和打火机一起结账的情景不断的锻炼着一个销售人员,那么从中也可以获取有用的信息.so,thats create a super Music editor也就是说把每天的音乐流水给我们创造出来的超级音乐编辑看,看看他能记住什么.用神经网络的方法就可以来制作这个东西了.我们构造一个神经网络,所有的人都在对他进行训练,神经网络就像一个结账人员,把所有人的歌单都看在眼里,经常一起出现的音乐,就会触动那根特殊的神经,并进行强化,那么当你听取了几首歌之后,我们的超级编辑就会根据你触动的神经,推荐同样触动了这些神经的歌曲啦~具体网易用到哪些算法,我也看不出来,不过我想万变不离其宗吧
…我们用的真的不是同一个软件，最近一周都没有听到中意的歌------------------------------------------------------------------------------------------更新，才注意到这张图，我用网易云音乐有两个月要知道，这136首歌大约有70首是我自己搜出来标注的,也就是我平均听19首歌才能喜欢一首，19这个数字不太吓人，但是最近一周都没有中意的，这个就不太好了要知道，这136首歌大约有70首是我自己搜出来标注的,也就是我平均听19首歌才能喜欢一首，19这个数字不太吓人，但是最近一周都没有中意的，这个就不太好了---------------------------------------------------------------------------------------------数据
这个背后有个多大的团队在推送啊，能是简单一两句能说清楚网易云音乐也不会异军突起了！！！
呵呵，我就是那种机器猜不中啊，好寂寞怎么办
已有帐号？
无法登录？
社交帐号登录}