基础算法：人以群分
实际上，网易云音乐个性化推荐的算法与今日头条、B 站还有很多 O2O 电商平台应用的基础推荐算法大同小异。这个得到了徐家的认证，就是我们熟知的那类基础算法：
协同过滤算法
这个算法要归功于亚马逊工程师的「发明」——「一个客户买了这个东西，那么他也可能买另一个东西」。
简单来说，该算法的预测标准取决于「人与人之间相似的消费模式」。譬如「我喜欢这两首歌，而你的歌单里也有这两首歌，所以你歌单里有可能存在其他我喜欢的歌」。
以上的说法只是便于理解。实际上，协同过滤算法其实应该分为两类：「基于用户」与「基于项目（单曲）」。
1、基于用户：我与小明收藏的歌单相似度很高，那么在判断我们口味相似的基础上，可以给小明推荐我歌单里她没收藏过的单曲。
基于用户。图片来源：数据挖掘工人
2、基于项目（单曲）：就是将用户对一首歌的偏好作为向量计算单曲之间的相似度，比对相似度后，根据这个用户历史偏好为另一位用户推荐单曲。
举个例子，小歆下载了《勇气》《小情歌》两首单曲，而小宜下载了《勇气》《天黑黑》和《小情歌》，而小艺下载了《勇气》…
那么根据这些用户的历史偏好，网易云音乐可以判断《勇气》与《小情歌》是相似的，喜欢《勇气》的可能也会喜欢《小情歌》，那么可以把《小情歌》推荐给小艺。
基于项目。图片来源：数据挖掘工人
总之，如果你觉得对于「协同过滤」这种算法仍然理解困难，那可以只记住一个词：
人以群分。
在这里要歪个楼：正是这种本质上基于用户偏好相似度的推荐模型，在无形中让用户在听音乐中组成了一个个「彼此聊得来」的社群。
因此，沈博文并没有把「以后可能会发展成全国最大的婚恋交友网站」看作是一个无厘头的笑话。而是认为这种基于音乐喜好的社交趋势，反而比当下的交友平台更靠谱：
「好奇心日报之前曾做过一个调查——『人类找到灵魂伴侣的主要参考标准是什么?』 是音乐品味。」
神经网络模型下的「物以类聚」
可以看到，这种推荐算法绝对缺不了用户历史数据的支撑。在数据量庞大且足够干净的时候，协同过滤算法是非常强大的。
那么反过来想，假如我是一个新用户，或者我使用网易云音乐的频率特别低。也就是说，在数据稀少的情况下，网易云音乐该怎么获知我的口味？
这种冷启动问题，意味着不同算法模型交叉使用的必然性。或许下面的第二大类算法能在一定程度上消除这个障碍。
基于内容的推荐算法。
这是以区分单曲内容实质为核心的推荐方式，就看做是「物以类聚」吧。
全球著名音乐流媒体平台 Spotify 内容推荐模型的建立者之一 Sander Dieleman（现在是 DeepMind 研究科学家），曾在一篇名为《卷积神经网络在音乐推荐里的应用》的博文中具体阐释了使用单一协同过滤算法会存在的误差：
1、由于这种算法除了用户及消费模式信息外，不涉及被推荐单曲本身的任何信息。因此，热门音乐就比冷门音乐更容易得到推荐，因为前者拥有更多的数据。而这种推荐往往是很难让人感到惊喜的。
2、而基于项目（单曲）的协同过滤，也有一个问题，就是相似使用模式下的内容异质。
例如你听了一张新专辑里面全部的歌，但除了主打歌，其他的一些插曲、翻唱曲以及混音曲可能都不是歌手的典型作品，那么协同过滤在这个时候，就会因为这些「噪音」而产生偏差。
当然，它最大的问题便是「没有数据，一切皆失效」。
因此，基于内容的推荐算法更像是对协同过滤算法以上缺陷的一种补充——假如没有大量用户数据，或者想听冷门歌曲，我们就只能从音乐本身寻找答案了。
徐家与沈博文两位专家明确表示，网易云音乐针对这些问题采取了基于内容的复杂算法。但较为遗憾，二位对具体细节并没有进行过多解释。
因此，根据我们的猜测，他们运用的应该与 Spotify、Youtube 等流媒体平台一样的方法——利用深度学习建立基于音频的推荐模型。
首先，如果要对比单曲与单曲之间的内容差异，那么维度就太多了，譬如艺术家及专辑信息、歌词、音乐本身的旋律及节奏、评论区里的「夸夸其谈」、VIP 下载歌曲、付费与否等等元素。
可以想象，这是一个多么庞大的计算量。不过暴力全量计算不失为一种方法……
因此，要通过特征 embedding 和降维方法，把这么多特征映射到低维的隐变量空间里（如同下图）。
可想而知，在这个空间里，每首歌都可以有一个坐标，而坐标数值就是包括音频特征、用户偏好在内的多重编码信息。
那么，假如我们直接预测了一首歌曲在这个低维空间中的准确位置，也就明确了这首歌的表征（包括用户偏好信息）。
这样就能够把它推荐给合适的听众，且并不需要历史使用数据。
因此，掌握了大量歌曲数据源信息与用户行为数据映射出来的隐含特征，再以此建立基于音频特征的神经网络预测模型，用短音频片段训练网络，是很多流媒体正在采取的方式。
（具体方法可以去翻翻 Sander Dieleman 的论文，如果你懂这个，给我们来讲一课！）
当然，在训练网络过程中，工程师门还是会通过「丢弃」（Dropout）等方法来降低过滤模型隐藏表征与音频预测之间的标准差（不能让数据集离散度太高），而这样做主要是为了降低歌曲人气对推荐系统的影响。
没错，这就是你能够收到更加小众歌曲推荐的缘由。
当然，以上无论哪种算法，其实都会基于一定的「相似度」。
譬如网易云音乐也同时应用了机器学习排序模型，这种模型仍然是基于用户行为数据与相似度（也是很普遍的一种模型）。
体现在应用上，通俗来讲，就是你的「每日推荐」歌单里，第一首歌通常是系统认为与你的喜好匹配度最高的一首（很多人常常在评论区喊出的「日推第一」，其意义还是蛮大的）。
而知乎里有大 V 提到的推荐模型「潜在因子矩阵」，徐家则认为已经过时了，「现在用的人已经很少」。
计算方法——我们歌单相似度到底怎么算出来的？
据徐家透露，网易云音乐则主要运用了两种度量方式：
欧式距离与余弦相似度。
CDSN 一位技术专家的博客已经把两者之间的差异解释的非常清晰了（下图）：
来自名为Ying的CDSN技术博客
前者是被看作坐标系中的两个点，来计算两点之间的距离。
譬如上图数据 A 和 B 在坐标图中当做点时，两者相似度为两点之间的绝对距离 dist(A,B)。
而后者是看成坐标系中两个向量，来计算两向量之间的夹角。
譬如图中的 cosθ，夹角越小，相似度越高。
你会发现，仍然是在这张图上，如果 B 的位置不变，A 点的位置沿 A 到原点这条线的反方向不断延伸，A 与 B 的余弦夹角就是永远不变的，但两点的绝对距离却发生了变化。
这种差异，导致他们需要被用于不同的数据分析模型。
徐家解释，能够突出数值绝对差异的欧氏距离，在计算歌曲本身相似度时用的比较多。
举个例子，A 歌曲 1 万人喜欢，而 B 歌曲 2 万人喜欢，由于样本量足够大了，可以把所有用户对歌曲的喜好看成一样的强度，那么就可以直接用欧式距离来算。
在欧式距离下，用户对歌曲的偏好都可以被认为是一样的分数，可以简化歌曲相似度的计算。
而余弦相似度更多是从用户偏好方向上区分差异。
譬如网易云音乐可以用该方法，通过用户对内容评分（有下载、收藏、搜索、不感兴趣等不同评分权重）来区分用户兴趣的相似度。
总之，结合了上述算法与计算方式，网易云音乐的个性推荐在大众里的口碑还不错。
但这种「还不错」，如果仅仅依靠技术就能达成，恐怕亚马逊在中国的业务就不会这么糟糕了（我其实在吐槽它的界面）。
坦白讲，再牛逼的算法也有不足。
对于所有音乐产品，用户体验的分值都是由编辑及项目协作、界面设计喜好、音乐版权丰富程度以及音乐偏好预测、技术能力、问题反馈速度共同构成的。
这也是为何有人为网易云音乐的推荐歌单疯狂打 Call，而也有不少人称「听歌比较杂的人可能用网易云音乐真的很心累」。
举个例子，你是一个忠实的欧美音乐圈粉丝，但却在最近偶尔下载了一首中文歌。
那么我可以确定，你第二天的推荐歌单里，一定会有一首中文歌。接下来只能不停地对出现在歌单里的中文歌狂点「不感兴趣」了。
（推荐算法设定了基于不同用户行为的权重，「下载」最高，收藏、搜索、分享其次，此外你也可以点击「不感兴趣」，或许会避开这类歌）
人工不可缺少
除了算法推荐，在很大程度上，一个流媒体平台也一定会承担人工过滤职责，从产品及运营角度确立人工规则，筛除不符合条件的选项。
沈博文告诉我们，他们不只是依赖算法，而是希望通过一些人工的力量，来补偿算法的一些不足。
因此，除了有单独的算法团队，网易云音乐也有一个强大的编辑团队。
一方面，他们帮助在一开始推荐内容上面做一层筛选，找出那些比较优质的内容，保证整一个推荐库的健康。
而另一方面，他们也需要解决算法的一些收敛问题。
「因为如果纯粹依靠算法推荐的话可能会对一些新内容响应较慢，我们也会用一些人工编辑的方式。去寻找出一些可能我们觉得非常优质的内容，然后推荐给大家，」沈博文表示。
此外，即便客服系统在一定程度上依赖AI技术，但由网易云音乐客服部门与技术部门共同组成的「人工反馈小组」，才是让用户对网易云音乐好感up的重要原因。
很多「秒回」的技术解决方案还被用户戏称为「原来网易云音乐的小编真的是活的」。
