因為考慮到非技術從業者，這篇文章我會寫的非常通俗，不出現任何難懂的名詞和概念，更不會有任何涉及到線代、演算法底層的東西。

先宣告一點，下面不會出現任何具體演算法實現細節，這是公司機密，但推薦演算法其實是可以通過APP的表現來反推的，不會100%準確，但應該也八九不離十。

---

推薦依據   推薦演算法不是無根之水，它必須藉助使用者的資料才可以進行推薦。即使是冷啟動，也需要獲得你的微博、微信（你的登入方式）或其他已註冊使用者的熱門喜好。具體的資料包括

• 瀏覽記錄
• 頁面停留時間
• 歌曲播放次數
• 點選歌曲但未播放記錄
• 點選歌曲且播放完成記錄
• 歌曲、歌單、歌手的收藏記錄
• 歌單播放次數和歌曲所屬標籤
• 個人屬性（性別，年齡，地理位置等）

…… 這樣的資料在演算法模型裡叫做特徵，也就是通過這些歷史行為資料中的特徵，推薦演算法可以進行非常精準的個性化推薦。在幾年前，網易雲音樂其實還沒有那麼“神”，很多推薦莫名其妙，但是現在的演算法相對來說已經非常精準了。

---

  推薦演算法   在說歌單的同時，也會給大家看看網易雲音樂這個APP裡一共有哪些地方用到了推薦演算法： 場景一：開啟APP時的彈出廣告（很煩人對吧，我都懶得點跳過）   演算法：有時候開啟的廣告會不一樣，有時候會重複。全屏廣告費用很高，假如不是獨佔型別的，那這塊用到的可能有一些簡單的人群匹配或者使用者畫像。如果是單次廣告獨佔，則有可能是按照廣告商的要求投放。18年之前沒有這個廣告功能，但是網易要恰飯的，能理解。 場景二：私人FM 私人FM和電音位於個人主頁的頭部位置，使用者點選率非常高。因為二者本質上很相似，這裡只談FM的演算法。 私人FM和單曲、歌單推薦的最大區別是，歌單推薦是一次性生成一個歌曲/歌單列表，但FM只推薦下一首，沒有“上一首”功能，這意味著推薦演算法會更關注你的瞬時興趣。因為FM只有喜歡、聽完、切歌三種反饋，相對來說比歌單推薦要簡單很多，但相對的，資訊也少了很多。 可以推算，FM用到的具體方式是由“播放、喜歡、切歌”來判斷使用者對推薦結果的喜好程度。使用的演算法應該是相似性召回和基於使用者、基於內容的協同過濾三合一，這一點和單曲推薦很相似，甚至兩個功能都使用了一套推薦演算法。 FM有個額外的要求是實時推薦，可以將私人FM理解為一個由動態變化的推薦歌曲組成的歌曲序列，這裡面應該使用了深度學習演算法中的“下一項推薦”模型來生成，用到的可能有Transformer或GRU/RNN模型。 實時推薦的意思是，上一首是“lemon”，如果你聽完了，那麼下一首可能會給你推薦米津玄師的另一首歌，或者相似的日文歌。如果我在聽小英雄的OP，但沒聽完就切歌了，那麼序列中的下一首本來是冰海戰紀的ED，此刻可能就會變為一首英文流行歌。   場景三：主頁推薦（這塊包含的比較多，最主要的是“推薦歌單”功能） 演算法反推：頁面可以拆開來看

1. 每日推薦：這裡用到的是單曲推薦，具體演算法不難想到，從我的每日推薦歌曲來看，基本是

• 我聽過的歌手的其他單曲
• 我聽過的歌曲所屬分類的其他熱門歌曲
• 我聽過、收藏過、評論過的歌曲
• 聽過我聽過歌曲的人，聽過的其他熱門歌曲

每個部分都分配有不同權重，權重高的，推薦的位置（排序機制）就會靠前，權重低的則會靠後。比如我的列表裡，藍蓮花排名第一，但是我最近並沒有聽過藍蓮花，也沒聽過許巍的歌。但是我聽過民謠/搖滾標籤類的歌曲，並且很容易猜到，聽過這個標籤的人，基本都會聽藍蓮花（熱門）。那麼我的列表裡，第1項和第4項的權重應該是更高的。 現在的演算法幾乎都是千人千面，所以每個使用者都有自己的個性化匹配機制，也就是張三的權重和李四的權重是不同的，這也反映出一種個人喜好。而相對於FM，這裡的推薦更關注使用者的長期興趣。由使用者最近一個月、一個周的行為資料構成。 上面這4種只是主要推薦方式，在具體應用時，演算法團隊會有更多機制來篩選這些歌曲並在列表內排序，提高對新使用者、不活躍使用者的推薦精度，而這裡用到的演算法有協同過濾，基於內容召回以及相似性召回等。對演算法具體原理感興趣的可以自行搜尋，這裡不展開講。   2. 歌單推薦： 點進“歌單”按鈕，會跳到一個歌單廣場，但是我平時不怎麼用，這裡和主頁推薦歌單放在一起講，因為兩個模組的演算法應該是一樣的。 推薦歌單是網易雲音樂的主要流量通道，95%以上的使用者每天開啟APP會首先看這些推薦歌單。推薦歌單演算法，網易雲在全球範圍內都屬於做的很不錯，因為歌單這個東西和歌曲不一樣，裡面有很多首歌組成，並且每首歌的調性有可能相似，也有可能不同，比傳統推薦要更難。B站、Youtube都有類似演算法，比如通過使用者的收藏夾推薦相似的收藏夾。 歌單有個特點就是UGC（使用者生成內容），UGC歌單是實時的，即使用者有收聽歌曲行為後可實時帶來推薦變化，比如重新整理一下，會推送不一樣的歌單給你。 具體的推薦過程大概如下圖，大家只需要知道“召回”和“排序”就行。

• 召回，是從數以百萬計的曲庫進行初步篩選，選出幾百個相對符合使用者口味的候選歌曲
• 排序，是把這幾百個候選歌曲通過深度學習、因子分解機等演算法進行精準的個性化排序

召回的三種主要方式我大概解釋一下

• 協同過濾，基於使用者的行為資料，如聽過的歌曲或者個人標籤找到相似使用者或者相似內容
• 基於內容，內容標籤化，構建完整的使用者畫像，然後根據內容相似度進行匹配
• 基於熱門 ，和你相似品味的使用者聚合成一個圈，圈裡的人喜歡什麼，就推給你什麼

這一塊涉及技術太多，感興趣的同學也可以自行搜尋。   3. 電臺推薦 電臺推薦就是以前的FM頻道，現在整合了很多欄目。基本的流程和推薦演算法其實和上面的歌單推薦一樣，只不過歌單變成了電臺，推薦的依據也從歌單裡的歌曲、評論、收藏、使用者，變成了電臺的聽眾、主播、標籤等   場景四：雲村推薦

1. 雲村廣場：網易雲音樂以前總是被人說清高、不接地氣、評論太文青。現在這個雲村廣場（為了回答這個問題，我第一次點進去看），就是雲音樂開始接地氣的證明。點進去，我以為自己打開了抖音+快手。

這裡用到的短視訊推薦演算法應該和快手、抖音一樣，使用短視訊的屬性、標籤和使用者的口味、標籤做匹配，相似性高的或者比較熱門的就進行推薦。具體流程也是先召回再排序，可使用的模型較多，這裡不好猜。不過短視訊時代，最吸引眼球的就是圖裡這種內容，比什麼演算法都好使。 2. 好友動態：這裡的動態推薦演算法和朋友圈一樣，但是比朋友圈簡單，就是按你的關注的人的動態，以時間倒序（最新的排在最前面）進行排序。   場景五：視訊推薦 視訊是雲音樂後來推出的一大功能，應該也是按照短視訊推薦的方法來進行精準推薦，不同點在於這些視訊主題更加明確，比如第一個就是華晨宇的採訪，直接推送給聽過華晨宇歌曲、買過華晨宇專輯的使用者即可。

---

問題分析 用雲音樂這麼久，有一些問題大家肯定也比較困惑，這裡做個簡單分析 問題1：馬太效應 19年之前網易雲的推薦演算法存在一個明顯的問題：什麼熱門推什麼。比如下面這個歌單，在我的推薦歌單列表中出現過不下100次，我懷疑給每個聽過英文歌的使用者都推了這個歌單，在座的如果有人聽過，麻煩評論區留個“1”，一起驗證一下。 這樣的問題在於，越是熱門的歌單越容易得到曝光，曝光越多也就越熱門，而新歌單就很難得到曝光。這個問題在很多APP上都存在，解決方法也比較成熟。可以看到，從2019年開始，雲音樂的演算法團隊做了改進，把基於熱門的召回降低了權重，所以現在這種現象在逐漸減少。（也不排除是我的聽歌口味變了） 問題2：重複推薦 現在很多推薦演算法存在一個致命問題，就是重複推薦。在雲音樂裡，當你聽過一些歌曲，就使勁推送相似的歌曲，比如我有一次聽了小鱷魚，之後就使勁給我推兒歌，這很容易引起使用者的反感。 這其實是推薦演算法中著名的EE（Exploitation，Exploration）問題。EE問題中的Exploitation（開發）就是：對使用者比較確定的興趣，當然要儘可能迎合使用者口味，而Exploration（探索）就是：光對著使用者已知的興趣使用，使用者很快會膩，所以要不斷探索使用者新的興趣才行。如何解決這個問題，我想雲音樂一定使用了BANDIT一類的強化學習方法來優化，下面我舉個例子幫助大家理解：

一個賭徒，要去搖Tigger機，走進賭場一看，一排Tigger機，外表一模一樣，但是每個Tigger機吐錢的概率可不一樣，他不知道每個Tigger機吐錢的概率分佈是什麼，那麼每次該選擇哪個Tigger機可以做到最大化收益呢？ 最好的辦法是去試一試，不是盲目地試，而是有策略地快速試一試，這些策略就是Bandit演算法。假設我們已經通過一些資料，得到了當前每個Tigger機的吐錢的概率，如果想要獲得最大的收益，我們會一直搖哪個吐錢概率最高的Tigger機，這就是Exploitation。 但是，當前獲得的資訊並不是Tigger機吐錢的真實概率，可能還有更好的Tigger機吐錢概率更高，因此還需要進一步探索，這就是Exploration。

  最後，雲音樂裡很多模組的推薦演算法其實都非常相似，但因為具體實施的演算法團隊不同，細節上肯定有所差異，效果也不會完全一樣。對於EE問題的解決，以及如何提高使用者粘性，想必演算法團隊也做了很多嘗試，所以才有了這幾年介面、體驗的不斷改善。 其實，有個問題不解決，推薦演算法做的再好也沒用——版權，網易雲音樂的未來將何去何從，讓我們保持關注吧。