为什么要做网易云音乐？
1、老板是发烧友
2、市面音乐不喜欢，市面上音乐质量比较匮乏
3、做这件事对音乐行业有啥帮助，对公司有啥帮助，对用户有啥帮助
它是如何做出来的? 好口碑是如何打造的?
主要从互联网音乐市场的现状分析、如何做产品定位、如何跨越鸿沟、探索过程中用到哪些手段、需求挖掘与用户引导五个方面来解析
互联网音乐市场的现状分析：
主流：当时主流市场是酷狗，QQ，酷我； 第二市场是百度，天天动听，虾米，豆瓣fm， 多米，jinfm等
缺乏创新的大市场：主流市场是曲库型产品， 播放器型产品，用户量大；主要功能是搜索以及歌曲的更新，用户主要通过搜索以及编辑推荐
移动互联网：用户越来越懒
&&&&&&&&&&&&&&&& pc端时代：用户最大的动作是搜索和浏览新闻， 适应曲库型产品
&&&&&&&&&&&&&&&& 手机（移动互联网）：不适合搜索，随时随地上网， 大大延展在线时间
用户需求：打开app，就能听到好音乐，不需要 那么繁琐，不需要那么复杂的，不用搜索的功能
不足：2013年看到主流市场都是打开app， 曲库型产品，鼓励用户搜索而非分享； 唯一例外是豆瓣fm，虾米以及jinfm等产品， 体量小，影响力不足，产品打磨以及细致上都有些问题
如何做产品定位
初期决定：方向对不对， 发展快还是慢，天花板是低还是高
用户，行业，市场，未来的发展方向综合考虑产品聚焦哪个点
用户群寻找和划分：选择划分因子（切片）
网易云音乐用户划分的两个维度:音乐喜好程度，年龄。酷狗和QQ年龄低，喜好程度低；虾米打造专业音乐数据库; 搜索全世界各种音乐，豆瓣强调发现音乐惊喜感，多米基于安卓的移动端，年龄低，喜好程度比较高
网易云音乐定位是音乐喜好程度在酷狗和QQ之上， 最高触及豆瓣虾米，年龄层低的层
行业、市场、用户群、未来发展方向（畅想整个行业未来三到五年会发生什么， 不用着眼于现状，会发生什么变化，哪些地方的变化较为激烈，哪些地方的用户群会急速扩大，用户什么样的需求被激发出来；在这个过程中，你的产品该怎么把握好定位，去顺应变化的趋势，然后从中获得最大的好处和利益）
1、进入移动互联网，由于用户的碎片、懒（编辑推荐模式不合适、曲库搜索模式也不合适） 、互动推荐与盘活曲库，靠编辑不够，需要依靠用户的力量（即UGC歌单)、 云的特性（存储作用变弱，强调云的特性），音乐产品有机会 2、产品不能定位得太高端小众。高端小众产品有好的结果屈指可数，大部分产品不能很好得发展；因为互联网产品非常讲究用户数量的形态，如果定位是高端小众，那么商业模式产品模式是这部分用户就能搞定，即依靠小众高端用户就能赚钱，将整个形态打通，形成闭环
如何跨越鸿沟
如果过于定位到小众高端，没有办法很好延续到大众产品的话，那么就有大鸿沟； 早期创新者和尝新用户使用活跃不代表已经很厉害了，不一定能很好地去推广，遇到很大鸿沟，即大众用户并不能接受你的产品模式。一旦推广，流失率就会很高，进而产品逐渐开始走下坡路
例子：网易云音乐与jinfm对比，差不多时间上线。网易定位同时满足高端小众用户以及大众用户，jinfm更多是满足早期高端尝鲜者用户 ，核心功能是描述现在场景（语音或文字），给你推荐音乐，对高端用户而言挺有吸引力（不仅新鲜，而且有用，因为高端用户想听一些 与众不同的音乐）；对大众用户而言不一样，大众用户很懒，对于点击别人推荐都有思考困难症，更何况是输入他想要听的音乐，大众用户会犯蒙，不知道怎样思考这样的产品；虽然jinfm后来推出了排行榜或者其他帮助大众用户使用的功能，但由于产品一开始聚焦在高端及早期尝鲜者，很难改变这个产品定位。
在网易云音乐：高端找到好听小众音乐，创建歌单分享出去； 大众用户不用思考，点了即可播放，歌好听。对于高端，创建东西被人播放了，搜藏了，分享了或评论了很有成就感；对于大众而言， 在这地方消费了其他地方消费不到的东西，获得了内容独特的价值， 对他们而言也很好；因此网易云音乐能从早期高端偏多的产品逐渐逐渐过度到大众产品，因为有功能把小众用户和大众用户进行连接很重要
如果一开始切入窄-小众用户，1：考虑这部分用户能不能满足满足你的产品模式，商业模式；2：如果不能，需要扩张，如何跨越鸿沟，产品模式对小众和大众用户同时有效果， 小众用户和大众用户能在同一个产品里同时存在下去吗，这都是需要考虑的问题
探索过程中用到哪些手段
标签还是歌单？核心用户是哪种？
标签发现音乐比较发现，比较灵活， 一首歌打上多个标签，多首歌打一个标签，是N*N的网状结构，相对列表而言， 网状更为复杂，发散度更高；问题，缺乏创造者概念，一首歌打上标签并不是创造性的行为，只能是把不同的歌聚集起来，但没有提出创造者的概念；歌单相比标签多了创造性，因为歌单是人创造出来的，一个人创造歌单会有一个主题，为何选歌以及如何编排有一定创造性，赋予人挺多价值；网易云音乐产品定位是重视发现与分享的，即UGC（UGC（User Generated Content）指用户原创内容， 是伴随着以提倡个性化为 主要特点的Web2.0概念而兴起的），非常希望给人带来价值，让听众关注音乐达人的歌单，去消费，让音乐达人积累声望，创造更多价值，形成社区网络，这样整个社区粘性与活跃度会更高
UGC歌单（淘歌，精选集）：
简洁（门槛低）
最核心（APP一进来就是感受歌单， 首页是歌单，还有歌单广场；加在一起即所有用户或大部分用户会接触到歌单，分享音乐，播放，管理） （这样易于传播）（使用过即有印象）（方便用户分享与发现）
连接（通过歌单将富有创造力的领袖与大众用户连接起来，通过歌单有很好的黏性在里面）（大众用户通过歌单的消费 ，评论，分享，能与一些领袖产生互动）（一线领袖获得成就感，大众用户消费了内容，这是个很好的循环）
气质：云音乐本质上是个社区的产品，社区都有自己的气质，没有像QQ与酷狗音乐那样LOW，过于接地气，没有像豆瓣和虾米 那样高，太高了导致不近人情，选择的用户定位是趋于中间段，往上可以够得到豆瓣和虾米，可以吸引一些很厉害的一线领袖，让他 们在社区里贡献高质量的内容；往下够下沉到QQ与酷狗的大众用户，并不排斥大众流行音乐的用户，认为音乐就是每个人的口味，虽然 平台有一定倾向性，但并不排斥，只有独特喜欢某种音乐口味的用户，希望处理好这么兼容并驱的社群，寻找的气质是定位在虾米豆瓣以及QQ酷狗这样一个定位
打造社群:关键的理念是无为而治，让用户自己玩起来
目前谈到社群的观点都是怎样运营社群，怎样去做，"我"始终认为有一些用力过猛 好的产品好的社群应该是用户只需要给一个点，然后可以自己开始自转的玩起来， 这样的社群是生命力最为旺盛的
最显著特点是音乐评论（功能简单，点赞加回复）（最关键是揣摩用户的心理与人性）
为什么要做评论？因为网易云音乐定位自己 不是一个播放器，定位自己是一个音乐社区；有些产品觉得做好一个播放器就可以了 ，为什么要做那么多与音乐无关的功能，如评论，动态，分享，关注等等，更像微博产品 而不是播放器，不听评论家言论，"我们"对产品有自己的定位与思考，对于网易云音乐来讲，要做的就是关于音乐的社区，让喜爱音乐的人能在社区里玩得很爽，因此关于社区的东西都会去尝试，所以会考虑做评论
在很早之前，腾讯的企鹅之库调研，过去5%的人看评论 的需求；现在，音乐评论到达50%，相当于通过音乐评论改变了 用户听音乐的习惯；以前只是听音乐，现在，听音乐还看评论，这是为什么呢？ 希望达到的状态：用户不仅仅听歌，用户能把这里当作一个社群，他能发现很多能产生共鸣， 觉得很好玩的评论，能不断消费持续下去，使用APP时间增长，黏性增高
所以如何挖掘出这种需求？1、观察用户的行为。从微博、贴吧、APP各种各样地方观察用户 发表的对网易云音乐看法（用户可能对网易云音乐提出很多的需求），从渠道中挖掘出有价值的点； 2、观察用户在网易云音乐上的评论，总结特点，分析评论中的关键词，看用户想通过这些评论表达什么； 3、从这些观察中去分析用户的心理，他为什么会发，看到用户经常发的是音乐下评论：关于以往的回忆 ，曾经的记忆点，如我的初恋，我在校园里的青春，我的回忆，我的家乡等等，能引起用户的共鸣东西，是用户发的很多的东西；那么我们想到音乐与情感是非常强的连接，用户听音乐会表达自己情感上的诉求，情感上 的连接就会产生共鸣。如果一个用户把这些共鸣写出来，那么有相似经历或者相似感触的用户就会产生很强的情感的 反应，会觉得这个评论写到自己心坎里，会点赞会传播，这样评论会逐渐火起来；这是当时挖掘到的点，因此把云音乐评论做火了
网易云音乐的评论最大的好处是改变了用户已有的习惯，那么网易云音乐的评论与新闻跟帖到底是不是一回事呢？有挺多不同的。对新闻来讲，及时性有效性非常强，一篇新闻过了今天，再去看的可能性 就会降得很低，缺乏历史沉淀和积累的；但音乐评论不一样，一首十年前的歌，现在依然有人听，最强的感悟是 共鸣，即不同的人不同的时间点听这首歌却有相同的感受与情感；新闻是大家很多人对某一个新闻事件产生的态度发表 出来，会有站队，我是支持谁，反对谁，我是支持新闻中的主人公，还是反对新闻中的主人公，还是同情他；不同的人因为态度不同 来产生支持或者反对。虽然都是评论，但本质上不一样，因为我们强调音乐评论中情感的共鸣，因此没有做盖楼这样的功能， 盖楼适合多个用户跟帖来形成一个段子，或者形成一个小故事，乃至互相反复的回复；但网易云音乐的评论更加强调个体的感受 ，因此做点赞不做盖楼
评论改变用户的习惯：以前用户拿app听歌，放在口袋里， 这是很多播放器面临的问题，虽然有很多用户，但用户打开app看app时间不多， 因此哪怕在app放广告或者什么也好，广告需求很弱，整个产品营收也做不起来； 改变用户从听歌放口袋，到听歌看评论的习惯改变；这样用户习惯在云音乐上一边听歌 一边看评论，这样整个时长与黏性就会加强，这个app的商业价值也会变得更高
将评论功能做到最简单（一个评论，一个点赞），积累了非常好的社群氛围， 导致竞争对手缺乏这种氛围，很难复制和超越，哪怕将评论功能做到自己app中， 由于长期缺乏社区氛围的积累，很难超越
需求挖掘与用户引导
个性化推荐：个性化是未来发展趋势，让用户懒到极致是我们追求的效果 ，网易虽然不是第一个做个性化推荐的，但是把个性化推荐在整个音乐行业做得最好的产品， 尽可能让用户接触到使用到这个产品的功能并且推广出去，现在基本上国内音乐用户能接受个性化推荐这个概念了；（问卷调查）两三年前调研，个性化推荐使用率很高，达到75%，愿意将这个功能推荐给其他朋友使用的达到50%。
个性化推荐是长期优化的过程，除了死磕推荐算法之外，还有什么办法？ 产品追求是从研究用户心理出发，寻找推荐的惊喜感。怎样让推荐有惊喜感？ 如果推荐太平常，没有让用户产生惊喜的话，那他就不会特别喜欢你的推荐，一旦 让用户觉得推荐真的好懂我，能够有惊喜感，那他就会非常喜欢你的个性化推荐功能， 形成很强的口碑。云音乐强调惊喜感
做这个功能过程中， 研究用户心理的过程，这个功能最终是通过看， 观察用户发表的音乐评论来找到的，通过音乐推荐算法找到一些音乐，然后用户点播很多，然后去看音乐下面的评论
通过抽取一些文本分析，搜索类似关键字，把一些音乐当成种子音乐，不断发散，不断扩展， 从而找到最能给用户带来惊喜感的音乐。
挖掘用户多方位的兴趣点：另外一种惊喜感，书影音不分家； 比如说书、影、音这三者都是用户的兴趣，如果我们能够获取用户在书籍和电影上面的一些兴趣喜好， 然后就可以给他推荐可能喜欢的音乐。我们去读取用户分享到微博上的一些观影的记录，同时在云音乐 的APP里把这首歌的原声进行推荐，结果带来了很好的效果，这就是很强的惊喜感
避免推荐算法越推越窄：UGC+社交+推荐算法三者结合， 哪怕推荐算法陷入循环的时候，用户在歌单或者动态里发现了一些新东西， 这个时候推荐算法马上能够捕捉到，从而去把这个推荐范围给拓宽出去。尽可能保证用户不会越来越没有惊喜感了，老是推荐那些音乐。让用户失去一些发现多元化音乐的机会
对曲库的利用率最高，有一个冷门挖掘模型:最高层级用户称之为品鉴者，这部分用户只占整体用户群的1%，喜欢新鲜音乐，追求高逼格，追求炫耀的感觉，因此个性化给他推荐的音乐是一些很少人听的音乐，可能一首歌 在网易云音乐中只被听了十几次，那这种音乐我们推荐给他，通过他的耳朵挑出来比较好的音乐，那这种音乐我们称为长尾音乐，大概占了整个曲库的80%。通过品鉴者的耳朵挑出来好听的音乐然后分享出去，从而传达到那些UGC的内容创建传播者的耳朵中。 这些用户耳朵虽然没有像品鉴者那么挑剔，但他很善于做歌单，很善于创造列表，因此把这些音乐推荐给他们，他们通过音乐组建歌单通过歌单这个核心功能推荐给更多的用户来分享，那这些音乐组建变成流行音乐，这部分大概占20%。然后这些流行音乐通过我们的算法以及生态系统给更多的主流用户（80%）听到，然后所有用户从这些流行音乐中用播放、分享、搜藏、喜欢、评论等等行为来投票，最终投出来整个产品里面最热门的音乐，最可能被用户喜欢的音乐，大概占1%。整个过程通过用户和音乐互相结合的模型，让曲库中一些小众音乐、冷门音乐也能得到很多曝光， 逐渐产生出产品里面最为用户喜欢的音乐，这个过程相比传统的排行榜，传统编辑挑选模式有着很大的优势，因为它是真真正正通过用户一次次行为中挑选而产生的，而且不只是排行榜上热歌，更包含很多冷门歌曲。大家可以在网易排行榜上发现其他产品排行榜很少见到的音乐，这就是我们这个模型的魅力
阅读(...) 评论()欢迎访问电脑商情在线！
位置：&&&&&&
内容为王！看酷狗如何稳占龙头
作者： CBINews编辑 &&责任编辑：申耀
来源：电脑商情在线关键字：酷狗音乐APP
随着移动网络的高速发展及智能手机的普及，移动端用户数量急速攀升。有调查研究显示，在大多数日常场景中，使用手机听音乐的用户比例远高于PC，APP成为绝大多数场景听音乐的首选。众多的互联网音乐平台也紧抓这一趋势，纷纷发力于移动端，致使移动端在线音乐APP的竞争日渐激烈。
根据第三方权威调研机构艾瑞咨询发布的《2015年中国在线音乐行业研究报告》（以下简称“报告”）显示，“月份的移动端在线音乐APP日均覆盖人数”酷狗以1606.5万人的优势大幅领先，问鼎冠军宝座。QQ位列第二，虾米音乐、网易云音乐等差距悬殊。
《报告》中涉及的“2015用户选择在线APP的原因”分析：在音乐APP的使用中，曲库规模与独占音乐是用户选择音乐平台的主要原因，而特色音乐电台、音质优秀等也是不容忽视的原因。
可见对于一家音乐平台而言，内容的储备经营如同内功修炼，功力足够深厚才能在巅峰之战中运筹帷幄。&酷狗音乐可以在众多的音乐类APP竞争中独占鳌头，在内容的储备和经营上，到底有哪些过人之处？
首个千万级曲库的音乐平台
在内容为王的在线音乐平台领域，版权资源是音乐生态圈布局的根基。用户数量排名第一的酷狗音乐，多年前已开始积极与各大音乐平台及版权方建立版权互授机制。先后与索尼、华纳、环球、韩国CJ、海蝶、孔雀廊、丰华、种子音乐、蒙面歌王、燃烧吧少年等超过60家海内外优秀唱片公司及节目方达成独家版权合作。
同时酷狗也是最早以开放融合的心态与QQ音乐达成转授权合作的音乐平台，截至目前酷狗的正版音乐曲库将近2000万首。每年酷狗将投入过亿元用于正版化音乐曲库建设，巩固其版权壁垒。
草根艺人孵化，自制UGC
酷狗所做的不仅仅是版权的积累，凭借10多年的数字音乐运作经验，酷狗的目光看得更长远。从2015年开始，酷狗音乐在全国布局音乐产业孵化基地，为音乐产业开辟了新的道路。
位于南宁的产业孵化基地是酷狗战略布局中的首次尝试。以素人歌手视频直播互动方式来展现新人，为草根艺人提供宣传渠道和表演舞台，将有才华的草根音乐人挖掘出来并加以培养，形成极具规模的网络好声音、O2O Live演唱会。通过打通音乐产业的上下游，整合现有的全业务资源，酷狗打造了前所未有的闭合产业链。
扶持音乐人，支持原创音乐
除了给草根音乐人展现自我的机会，酷狗也一直致力于推进优秀原创音乐作品的创作，对优秀的独立音乐人进行扶持。
5sing中国原创音乐基地是酷狗旗下的大型音乐分享网站。聚集着一大批的音乐爱好者，在音乐圈内有着举足轻重的地位。酷狗为优秀的独立音乐人及原创音乐提供内容包装、项目众筹、营销推广、产品发行、表演演出等一系列完整的支持服务，5sing至今已拥有了3000万的常驻用户 以及900万首上传歌曲。
丰富多样的特色电台
酷狗为用户打造多达140种电台选择，以场景、人群、心情、风格等不同类别划分成9大板块。每个独立电台都拥有大量的精选歌曲，除了更新迅速，随机播放也绝不会错过当下乐坛潮流，拥有“只要我想听，这里都有”的随性。电台的歌曲切换采取随机播放形式，重复播放率低。
同时，酷狗也在不断优化升级电台功能。2015年的新版更新后，在原有的一级电台之下设置二级电台。二级电台指的是对原有主电台再进行细分，让原本单一的电台更加多元化。如歌曲分类鲜明，优化用户的听歌选择，提高播放量，减低切歌率。如今酷狗电台的日均播放量高达8亿人次，深受新老用户的追捧，为音乐爱好者增添更多乐趣和惊喜。
相关新闻：
CBI 友情链接：
CBI集团其它网站：
CBI 地方分站：上下架应用
只需一步，快速开始
【涨姿势】网易云音乐的精准个性化推荐是怎么做到的？
原作者:来自: 知乎 11:23
用过虾米、酷狗、QQ音乐、网易云音乐，个人感受网易云音乐在音乐推荐这块做的真心不错，特别是以“人”为角度的推荐，没有像虾米、酷狗推的那么乱。虾米还可以，但更多的是以歌搜歌的形式。刚注册了一个新的账号，避 ...
用过虾米、酷狗、QQ音乐、网易云音乐，个人感受网易云音乐在音乐推荐这块做的真心不错，特别是以“人”为角度的推荐，没有像虾米、酷狗推的那么乱。虾米还可以，但更多的是以歌搜歌的形式。刚注册了一个新的账号，避免有历史数据的干扰，听了一首周杰伦的《一路向北》和陈奕迅的《淘汰》，然后去个性化推荐里看到了蔡健雅的《红色高跟鞋》和曲婉婷的《承认》，给我的感觉还是比较惊喜，像蔡健雅一般听的人比较少，还能推荐到体验不错。当然也有很多不一定特别准，当然听歌这东西就不需要完全准确。网易云音乐关于个性化推荐这块在公司外部介绍的比较少，但应该推荐的算法和机制和大部分的音乐素材的公司做的类似。以item为核心的协同过滤（CF），通过打分机制来推荐最适合的歌曲。印象中早期网易云音乐还可以将自己听的歌曲分享到微信朋友圈等，通过跳转关联到的账户ID识别出朋友关系。这个想法的确很赞，包括我第一次听《一路向北》的时候也是一个朋友推荐给我的，这首歌不仅是个人喜欢的风格，再加上有朋友推荐所以留下很好的印象。但是很可惜，现在朋友圈不能分享了。微博还可以分享，只是现在微博的数据很多水分。现在主流的方式都是人工+智能推荐，人工的方式就不过多介绍，费时费力。出不了几张有限的专辑。现在主流都是通过机器学习的方式，通过同类人类的偏好给相似的人群推荐他们都喜欢的歌曲。也有根据以歌的item推荐相似的歌曲，但体验就是听来听去就是那个风格，很快就乏味了。算法部分：1.相似人群的推荐引用：著作权归作者所有。作者：邰原朗链接：网易云音乐的歌单推荐算法是怎样的？ - 邰原朗的回答来源：知乎有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 , 听完=1, 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》！以及nick lee分享的一种矩阵计算得分的方式：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 @邰原朗 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 @邰原朗的量化标准：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：本质上应该都类似，都是从Amazon那条路子下来的。但是这种方式也会遇到问题：A）冷启动的问题，在没有用户数据的情况下要推哪些歌曲，目前网易云音乐搞了个比较Q的调查问卷，还是挺有趣的。B）同质化严重问题，怎么加入新的元素，比如热门+新歌来补充这块；C）人群变化问题，光靠推荐很明显不代表每个个体的情况，特别是一些小众群体，数据比较稀疏。这些就需要用户自己主动搜索和添加、喜欢、下载的方式。2.相似歌的推荐虾米、酷狗上都是这样的歌曲漫游推荐的形式，个人不太提倡这样的方式，简单认为听过A歌的人也可能喜欢B，这个差异还是比较大的。而且还是要维护一堆歌曲的tag标签。整体来说，网易云音乐在个性化推荐这块算法还是花了不少真功夫，所以要给个赞。看到他们在算法招聘、并发计算这些实时场景的介绍比较少，还是希望能够有机会在线下能够有这块的交流。文章来源：知乎 & &作者：宿痕原文链接：/dataman/
上一篇：下一篇：
Powered by
鸟哥笔记 沪ICP备号-1}