为什么 Spotify 的音乐推荐总是如此准确

又到了一年一度的这个时候。12 月 1 日，每个人都从音乐流媒体应用 Spotify 上打开了他们的“已打包”列表。你关注的每个人似乎都在截取他们最喜欢的艺术家和歌曲的屏幕截图，并在社交媒体上发布，为他们提供一年的浓缩听觉历史。

今年，Spotify 的个性化 2021 年音乐清单以点击互动故事的形式呈现了您最常播放的艺术家、歌曲、流派，甚至还有音乐情绪板。现在，您还可以将您一年的音乐与朋友的音乐“融合”成一个融合播放列表。（情绪板和混合播放列表是今年的新功能。）

所有这些都引发了一个问题：向用户展示他们如何消费音乐的背后想法是什么？Spotify 研究团队去年 5 月撰写的一项研究或许能提供一些线索。研究人员向 10 名用户展示了他们的个人数据资料，这些资料基于他们的 Spotify 帐户，其中包含有关他们最喜欢的歌曲（过去一个月和所有时间）、最喜欢的流派、他们创建的播放列表数量以及他们何时收听 Spotify 的信息。他们发现，展示用户的个人收听历史数据实际上可以让他们“反思自己作为听众的身份”，并让他们了解自己是只在工作时听音乐，还是他们有一段时间对某个特定艺术家非常痴迷。

我们关心这种洞察力，即使直觉告诉我们这只是音乐，而且我们都知道我们不是 Taylor Swift 或 Lorde 的唯一粉丝。看到围绕塑造你这一年的歌曲创作的故事（现在带有一丝情感弧线）可能总是让人感觉有点个人化，有时甚至很有启发性。（如果你愿意，你可以让外部人工智能评判你的 Spotify）。一位FiveThirtyEight作家曾经沉思道，Spotify 似乎比他自己更了解他。

那么，Spotify 究竟是如何做到这一点的呢？我们知道他们从听众那里收集了大量数据（最新统计数据显示，每月活跃用户数量为 3.81 亿）。以下是他们在幕后进行的分析，以了解用户喜欢听什么。

从音乐库到音乐发现

Spotify 成立于 2006 年，当时的愿景是成为一个音乐库。后来，该应用的工程师意识到，让人们发现他们可能喜欢的新音乐可以提升他们的体验，于是个性化就应运而生了。这可以通过向算法提供用户的收听历史、音乐选择、某些歌曲的播放时长以及他们对推荐的反应（他们是喜欢、跳过、重播还是保存）等信息来实现。

Spotify 个性化副总裁 Oskar Stål 在 2021 年 10 月的一篇博客文章中表示：“对于那些没有时间或知识为每次晚宴或公路旅行创建无数独特播放列表的听众来说，个性化是一种令人振奋的体验。它以更广泛的层次开启了发现，使每个人每年能够发现数百位艺术家。”

[相关：从苹果到阿黛尔，随机播放歌曲的简史]

他们对这种个性化的方法取决于两个主要研究领域：用户建模和复杂的声音分析。Spotify 试图通过找出将应用内活动投射到人类特征和情感中的方法，以及将音乐体验与情绪和情境背景（如一天中的时间、一周或季节）联系起来，来对应用上的用户行为进行建模。了解这一点可以让他们改变周五晚上和周二下午的推荐内容。推荐的播放列表可以在主屏幕上的轮播中弹出；还有个性化的播放列表，如每周发现、每日精选和广播播放列表。

此外，一项名为“增强”的新功能可让您在已创建的播放列表中检索推荐内容，就在本周，Stål 在视频演示中表示，Spotify 团队正在考虑一种方法，即使用人工编辑和机器学习算法来创建音频体验，可以将歌曲与播客和其他内容混合搭配。Spotify 甚至一直在测试一种名为 CoSeRNN 的神经网络，该网络会权衡某些特征，例如过去的收听历史和当前背景，以推荐适合当下的歌曲。

至于测试音乐是否反映了某些人类特征，他们于去年 12 月发表了一项小型调查研究的结果，该研究旨在了解音乐偏好如何与某些性格特征相匹配。研究人员在一篇博客文章中指出，性格和音乐类型偏好之间似乎存在一些相关性。毫不奇怪，那些自认为“乐于接受新体验”的人更多地查看 Discover Weekly；那些自认为外向的人更多地听其他人创建的播放列表，而那些自认为内向的人则更喜欢深入研究新发现的艺术家的唱片。

深入了解完美播放列表的构成

Spotify 团队似乎一直在思考新方法来分类和向用户推荐不同类型的音乐。要做到这一点，首先他们必须收集不同类型的数据，并建立模型来分析、比较、对比、分类和分组他们获得的各种信息。该公司的研究人员在 2016 年的一篇论文中指出，他们会扫描网络以获取艺术家信息和在线评论中用于描述特定歌曲的词语。他们构建了可以剖析歌曲声音结构并通过扫描平台上已有的数十亿用户生成的播放列表来分析歌曲之间关系的算法。此外，他们还通过分析用户的历史和实时收听模式来估计特定用户的音乐品味。

例如，Discover Weekly 的功能是仔细分析用户最近听过的歌曲，并扫描可能包含这些歌曲或类似歌曲的所有播放列表。Spotify 使用一种称为近似最近邻搜索算法的机器学习工具，根据共同的属性或品质将歌曲和用户分组。

[相关：谷歌的这款新 AI 工具可能会改变我们在线搜索的方式]

“想象一下，你和另一个人有四位相同的顶级艺术家，但第五位艺术家却不同。我们会选择这两个相近的艺术家，然后想，‘嗯，也许每个人都会喜欢对方的第五位艺术家’，并提出建议，”Stål 在博客中解释道。“现在想象一下这个过程大规模发生——不仅仅是一对一，而是成千上万的联系和偏好被即时考虑。”

Spotify 则进行了大量数学运算，将一首歌曲分解成各个乐器层，分解其节奏和结构。11 月，这家音乐服务公司发布了一项研究，提出了一种名为 MUSIG 的新个性化推荐模型，该模型根据歌曲的各个特征（如流派、声学、舞蹈性、歌词的冗长性）及其相互关系（例如它们是否出现在同一个播放列表中）学习“曲目和用户的有意义的表现”。

紧跟用户步伐

然而，仅仅了解用户当前喜欢什么还不够。我们的音乐品味会随着时间而改变，Spotify 必须向用户提供他们喜欢的新曲目，才能让他们不断回头。

这包括推荐流行的或类似于用户以前听过的音乐的内容，以及更加折衷且与用户通常的参与度不一致的探索性内容。

[相关：麻省理工学院的科学家教机器人如何互相破坏]

“也许你加入 Spotify 是为了听舞曲，但我们能帮助你在学习时集中注意力吗？通过平衡这些两极，我们能帮助你获得更充实的内容饮食吗？”Stål 在视频演示中说道。“我们必须考虑你的需求、让你保持舒适区的东西以及你的需求，所以这些东西可能会提高你以后的聆听能力，但可能并不是你现在所期望的。”

Spotify 研究人员在 3 月份的一篇文章中写道，这种模式“可以帮助用户发现新内容或培养新品味，从而促进探索。它可以帮助平台在艺术家之间传播消费，并促进对不太受欢迎的内容的消费。”

当然，Spotify 希望满足用户多样化的需求，这有其自身的经济原因。内部研究表明，具有更多样化听歌习惯的活跃用户“从免费用户转为付费用户的可能性比音乐消费多样性较低的用户高出 25 个百分点”。

为了领先于我们不断变化的偏好并保持推荐的新鲜度，Spotify 还需要能够了解我们的喜好如何随着时间的推移而变化。今年早些时候，那里的研究人员基于 2016 年至 2020 年持续活跃的 10 万名 Spotify 用户的数据集建立了一个模型。他们查看了每个用户的整个流媒体历史记录，将他们的音乐分为“微流派”，并将它们绘制成跨时间的地图。他们得出了一个连通图，说明了不同音乐流派之间的转变。例如，他们的模型表明，要从喜欢“EDM”转变为喜欢“新爵士”或“福音”，用户可能会经历一个喜欢“热带浩室”的阶段，这是一种轻松但欢快的电子音乐。

Spotify 希望利用该模型所列出的路径，引导用户探索介于他们喜欢的音乐和不了解的音乐之间的微流派，从而让用户逐渐适应不同的音乐流派。

除了音乐之外，Spotify 十年的个性化研究已经延伸到播客领域。“事实证明，我们甚至可以根据听众的音乐品味预测他们可能喜欢哪种播客，”Stål 在公司博客文章中指出。但 Spotify 的音频扩展计划并未止步于此——它最近收购了有声读物公司 Findaway。