浅谈推荐机制

从Pandora和网易云音乐说起，浅谈在线音乐播放器推荐机制

网易云的推荐方法

先介绍网易云音乐的推荐方法吧，这也是大多数播放器通用的推荐模式。目前互联网上还没有云音乐官方介绍其推荐机制的文章，不过根据云音乐这个软件的输入（用户行为、用户资料、社交关系、曲库、歌单等）以及输出（推荐歌单、私人FM、每日歌曲推荐、相似歌曲、喜欢这首歌的人等）可以大致判断它使用了什么推荐算法。
根据知乎上一个热门话题“网易云音乐的歌单推荐算法是怎样的？和我本人的粗浅理解，我认为目前网易云音乐主要运用了以下几种推荐方法：

1. 基于item的协同过滤
2. .基于user的协同过滤
3. 基于tags的推荐
4. 混合（Hybrid）推荐

前两种推荐方法都可以归结为协同过滤（Collaborative Filtering）。此算法乃是亚马逊发家之本，也是推荐系统领域最经典的算法。如何理解Collaborative这个词，可以理解为协作，即通过不同对象之间相互影响，共同作用，来从普通对象中过滤出合适的推荐对象。
那么算法1和算法2的区别是什么呢？我们先建立一个播放器使用场景：你已经在网易云音乐听过100首歌，现在正在听一首班得瑞的《SnowDream》并且对这首歌“红心”，现在在播放器要给你推荐歌曲。

• 如果使用基于item的协同过滤，即以歌曲为本，寻找和该歌曲相似的歌曲推荐给你。当然，这里的相似不是指歌曲风格、歌手、年代等这些元数据的相似，而是要构建歌曲的评价矩阵，矩阵的每一行是一个用户，每一列是一首歌，这些用户都是对《SnowDream》红心的用户对于《SnowDream》的矩阵，矩阵第一列就是《SnowDream》这首歌，第一行就是你这个用户，矩阵中每个元素代表用户对这首歌的喜爱程度。
  对于喜爱程度的定义，是一个加权行为平均值，即通过给用户的不同行为（搜索、试听、下载、单曲循环、分享、评论、点赞评论、播放量，点红心、从不同入口进入）赋予相应权重，最后通过平均值来衡量其对歌曲的喜爱程度。
  回到算法本身，建立起来矩阵之后，我们可以知道你对《SnowDream》这首歌的喜爱程度，也通过其余用户的行为得知他们对其余歌曲的平均喜爱程度，计算其余用户对某歌曲和《SnowDream》喜爱程度之差的平均值，越接近0说明这首歌和《SnowDream》越相似，我们便推荐这些均值最接近0的歌曲给你。
• 那么对于基于user的协同过滤来说，就是寻找和你相似的用户，给你推荐他喜欢的歌曲。怎么判断两个用户是相似的，同样根据之前提到的用户的不同行为和用户资料，构建一个多维特征向量空间模型，用户某种特定行为算是一个特征向量。比如说两个用户都是90后、男、北京人，自我介绍里面都提到New Age，那么的某些特征向量的长度就一样，同理还有长度不一样的向量。

向量空间点之间的距离和夹角

通过构建多维特征向量空间，我们可以把一个用户抽象为多维向量空间中的一个点，如果两个点离得越近，那么两个用户越相似。那么怎么衡量这个“近”呢？我们用到了余弦相似度。这个术语的细节在这里不讲，通俗来说就是计算两个点之间的夹角大小，夹角越小即两个点离得越近。
找到和你相似的用户之后，我们查询其喜欢的歌曲，发现他喜欢听《Cannon in D》，便推荐这首歌给你。我们发现这种推荐形式更有可能推荐给你不同风格的歌曲，因为大部分用户可能喜欢多种风格的音乐。所以，通过这种算法，可以让两个素不相识的用户产生神交的感觉。

• 相对于前两种推荐方法，第三种基于Tags的推荐就简单易懂了。比如说我们在云音乐歌曲详情页面看到的“相似歌曲”，就是利用标签来推荐与该歌曲相似的歌曲。这里的标签可以分为两种，一种是歌曲自带的标签，例如歌手、曲风、年代、时长、标题、歌词等。第二种播放器根据歌曲的播放情况后续补充的标签，例如播放量，榜单，评论内容等。通过标签之间的匹配，我们可以很容易找到彼此相似的歌曲。

总结：个性化推荐三种技术

根据使用技术的不同，个性化推荐可大致分为基于协作的 个性化推荐、基于内容的推荐和混合推荐三种。基于协作的推 荐是通过对用户之间的相似性进行分析，建立用户与用户之间 的“邻居”关系，利用相似用户的信息进行推荐。基于内容的推 荐则是通过用户以前的兴趣进行分析，从而实现对用户未来的 兴趣进行预测。这两种推荐技术各有侧重点，也各有不足，目前 研究较多的则是混合推荐技术。混合推荐技术主要思想是将协 作推荐方法与内容推荐方法结合，以便充分地利用用户与资源 的信息。