本周一，正如其它每个周一，一亿多 Spotify 用户每东说念主齐收到了一个簇新的歌单。这个叫作念每周发现的歌单内混杂了用户从未听过然而可能会可爱的 30首歌曲。后果号称神奇。

我我方是 Spotify 的超等粉丝，对每周发现尤其刺眼。为什么呢？因为我认为它懂我。它比我性掷中的任何东说念主齐更闪现我的音乐试吃。我很满足每周它齐能得志我的需求，一如既往地推选一些我我方弥远齐不会找到或知说念会可爱的歌曲。

关于那些两耳不闻窗外事的东说念主们，请允许我先容一下我的杜撰好友：

[图片阐扬: 我的 Spotify 每周发现歌单]

没思到，在这方面我不是一个东说念主，不光是我对每周发现如斯陶醉 – 扫数这个词用户群体齐趋之若鹜。这股高潮使得 Spotify 从头迂曲了它的重点，并在基于算法的歌单上干涉了更多的资源。

Dave Howitz: @Spotfiy 每周发现的歌单对我的了解进度几乎不寒而栗，持重到就像一个也曾与我有过一说念濒死体验的前女友一样。

Amanda Whitbred: 当今 @Spotify 的每周发现对我一经了解到如果它当今求婚，我也会说本旨的地步了。

自「每周发现」在 2015 年第一次上线以来，我就进击思知说念它是怎样运作的（而且由于我是 Spotify 公司的迷妹，我可爱假装在何处使命并权衡他们的居品）。 经过三周的猖獗Google，我终于满怀感德地赢得了一些幕后的常识。

是以 Spotify 到底是怎样凯旋作念到给每东说念主每周挑选 30 首歌曲的？咱们先来仔细看下其它的音乐工作是怎样作念音乐推选，以及 Spotify 是怎样更胜一筹的。

在线音乐甄选工作简史

早在千禧年之初，Songza 就驱动使用手动甄选为用户提供歌单。手动甄选的真理即是所谓的音乐大师或者其他裁剪会手动挑选一些他们我方认为可以的音乐作念成歌单，然后听众可以顺利拿来听。（稍后，Beats 音乐也遴选了相通的政策）。手动甄选后果尚可，然而由于这种步调仅仅纯手工挑选，面孔步调也相比直率，它并不可柔柔到每个听众音乐试吃的高明各别。

跟 Songza 一样， Pandora 亦然音乐甄选工作畛域的早期玩家之一。它使用了一个略为更高档的步调来代替给歌曲属性手工打标签。即全球在听音乐的时候，对每首歌曲挑选一些步地性的词语来动作标签。进而，Pandora 的智力可以顺利过滤特定的标签来生成包含相似歌曲的歌单。

差未几兼并期间，一个附庸于麻省理工学院媒体实验室的名叫 The Echo Nest 的音乐信息机构，吸收了一个透顶不同的高档政策来定制音乐。The Echo Nest 使用算法来分析音频和音乐的文本内容，以完成音乐识别，个性化推选，歌单创建和分析等。

终末，是 Last.fm 别有肺肠，遴选了另一个沿用于今的政策。那即是诈欺协同过滤来识别用户可能可爱的音乐。稍后本文会张开商酌更多这方面的内容。

是以说既然其他的音乐甄选工作齐杀青了推选功能，Spotify 究竟是怎样操作我方的神奇引擎，来杀青甩出竞争敌手几条街的用户试吃认识度的呢？

Spotify 的三种推选模子

事实上 Spotify 并莫得使用什么单一的立异性推选模子，而是混杂了一些其他公司使用的最好的政策来创建他们我方唯一无二的强盛发现引擎。

Spotify 使用三种主要的推选模子来创建每周发现：

咱们来具体看下这些推选模子是怎样使命的！

推选模子之一：协同过滤

领先先容下配景：当许多东说念主听到协同过滤这几个词的时候，他们会坐窝联思到 Netflix，因为它是第一个诈欺协同过滤来杀青推选模子的公司之一。其作念法主如果使用用户提交的电影星级来野心推选那些电影给其他雷同的用户。

自 Netflix 将其凯旋应用以来，协同过滤驱动快速流传开来。当今岂论是谁思杀青一个推选模子的话，一般齐会拿它动作初度尝试。

与Netflix不同的是，Spotify 并莫得用户对他们音乐的星级评价数据。Spotify 所用的数据是隐形响应的，具体来说即是咱们在线听歌的歌曲次数，以终点他寥落信息，诸如用户是否保存歌曲到个东说念主歌单，或者听完歌曲后是否接着看望艺术家主页等。

但什么是协同过滤，到底它是怎样使命的呢？底下用一段直率对话来作念一个大要的先容。

啥情况? 正本这俩东说念主内部每东说念主齐有我方的一些歌曲偏好 – 左边的东说念主可爱歌曲 P, Q, R 和 S; 右边的东说念主可爱 Q, R, S 和 T。

协同过滤系统进而诈欺这些数据得出论断，

“嗯。既然你俩齐可爱疏浚的歌曲 – Q，R 和 S – 那么你们可能是雷同的用户。是以你们应该会可爱另一个东说念主听过然而你还莫得听过的歌曲。”

系统然后暴虐右边的东说念主去体验下歌曲 P，以及左边的东说念主去体验下歌曲 T。听起来够直率吧？

然而 Spotify 具体是怎样具体应用这个见地，来野心基于百万级的用户偏好从而得出数以百万计的用户歌曲推选呢？

…矩阵运算，用 Python 库即可杀青

践诺中，此处说起的矩阵是极其广泛的。每行齐代表了 Spotify 的一亿四千万用户中的一员（如果你也用 Spotify，那么你亦然这个矩阵中的一排），而每一列则代表了 Spotify 数据库中三亿首歌曲中的一首。

然后，Python 库就驱动跑这个漫长而复杂的矩阵认识公式：

野心完成后，系统会生成两种类型的向量，在此分别定名为 X 和 Y。X 为用户向量，代表单个用户的音乐试吃。Y 则为歌曲向量，代表单支歌曲的特征。

当今咱们得到了一亿四千万个用户向量，每东说念主一个，还有三亿歌曲向量。这些向量的具体内容仅仅一些单独拎出来自身并无真理的数字，然而在背面进行相比时会终点有用。

为了找到那些跟我相似试吃的用户，协同过滤系统会拿我的向量跟其他用户的向量作相比，最终会找到那些跟我最相似的用户。关于 Y 向量，亦然相通的过程 – 你可以拿一首歌的向量与其他的歌曲向量作念相比，进而找出哪些歌曲是跟你当今正在看的歌曲最相似。

协同过滤确乎后果可以，然而 Spotify 深知再添加另外一个引擎的话后果会更出色。这就到了天然言语束缚出场的时候了。

推选模子之二：天然言语束缚

Spotify 吸收的第二个推选模子即是天然言语束缚。这些模子的源数据，正如名字所示，即是一些普通的言语翰墨 – 举例歌曲的元数据，新闻著述，博客，和互联网上的其它文本等。

天然言语束缚 – 野神思结伴东说念主类言语的才调 – 自己即是一个巨大的畛域，浅薄通过情谊分析应用编程接口（API）来进行操作束缚。

天然言语束缚背后的具体旨趣超出了本文的商酌范围，然而在此本文可以提供一些和鄙俚的步地：Spotify 会在网上连续爬取博客帖子以终点它音乐关系的文本，并找出东说念主们对特定的艺术家和歌曲的议论 – 比如说东说念主们对这些歌曲不时使用哪些描摹词和言语, 以及哪些其他艺术家和歌曲也会和它们放在一说念商酌。

诚然我不知说念 Spotify 怎样束缚他们捏取的数据，然而我可以先容下 The Echo Nest 是怎样使用它们的。他们会把数据分类成“文化向量”和“最好考语集”。每个艺术家和歌曲齐罕有以千计的逐日更新的最好考语集。每个考语齐有一个关系的权重，来示意其步地的首要性（直率说即是某东说念主可能会用该考语步地某个音乐的概率）。

[ “Cultural vectors”, or “top terms”, as used by the Echo Nest. Table from Brian Whitman]

然后，与协同过滤雷同，天然言语束缚模子用这些考语和权重来创建一个歌曲的抒发向量，可以用来信服两首音乐是否相似。很酷吧？

推选模子之三：原始音频模子

领先，你可能会问这个问题：

然而，Sophia，咱们一经从前两种模子中赢得了这样多数据！为什么还要络续分析音频自己呢？

额，领先要说的是，引入第三个模子会进一步升迁这个一经很优秀的推选工作的准确性。但本色上，吸收这个模子还有另外一个次要主张：原始音频模子会把新歌辩论进来。

比如说，你的创作歌手一又友在 Spotify 上刚放上了一首新歌。可能它只须 50 次听歌纪录，是以很少能有其他听众来一说念协同过滤它。与此同期，它也在网上也莫得留住若干思绪，是以天然言语束缚模子也不会介怀到它。运道的是，原始音频模子并不永诀新歌曲和热点歌曲。是以有了它的帮衬，你一又友的歌曲也可以和流行歌曲一说念出当今每周发现的歌单内部。

好了，到了“怎样”的部分了。咱们怎样才能分析这些看起来如斯玄虚的原始音频数据呢？

…用卷积神经采集！

卷积神经采集相通亦然撑持面部识别的期间。只不外在 Spotify 的案例中，他们被稍作修改以基于音频数据束缚而不是像素点。底下是一个神经采集架构的例子：

[Image credit: Sander Dieleman]

这个特定的神经采集有四个卷积层，具体为图中左侧的宽柱，和右边的略略窄些的三根柱。输入是音频帧的时频示意，进而贯串起来酿成频谱图。

音频帧会穿过这些卷积层，经过终末一个卷积层，你可以看到一个“全局临时池”层。该层在扫数这个词期间轴上采集数据，并灵验野心和统计歌曲时长内的学习特征。

束缚完之后，神经采蚁集得出其对歌曲的结伴，包括揣测的期间签名，调子，调式，球拍及音量等特征。底下即是 Draft Punk 的 “Around the World” 30 秒片断的数据图。

[Image Credit: Tristan Jehan & David DesRoches (The Echo Nest)]

最终，对这些对歌曲要道特征的结伴可以让 Spotify 来决定歌曲之间的相似度，以及把柄用户听歌历史来判断哪些用户可能会可爱它们。

这些基本涵盖了为每周发现提供救助的推选功课过程所依赖的三种主要模子。

[ Cassandra instances]

天然了，这些推选模子也和 Spotify 其它更大的生态系统贯串在一说念，其中包括诈欺海量的数据存储以及绝酌夺的 Hadoop 集群来作念推选工作的膨胀，使得引擎得以野心巨型矩阵，取之不尽的互联网音乐著述和大齐的音频文献。

我但愿本文可以对你有所启发，况兼像其时它对我一样大约激起你的酷爱。怀着对幕后的机器学习期间的了解和谢意之情，当今我将通过我我方的每周发现来寻找我可爱的音乐。