提起个性化推荐，不得不提的就是网易云音乐~
在音乐类app已经步入红海市场的时候，网易云音乐却能脱颖而出，2年半的时间就突破了一亿用户。这其中不得不提到的是网易云音乐的个性化推荐技术~
网易云音乐具体采用了什么样的推荐技术呢？接下来看一看~
云音乐使用了3个维度向人们推荐音乐：朋友推荐、人工推荐、智能推荐
朋友推荐
云音乐 的第三个主tab，下面分了3个子级tab，“动态”、“附近”、“好友”，三者主要用于朋友推荐。另外，如果分享到微信朋友圈，app可以通过账户对应的id识别联系的好友，而朋友之间的兴趣点极有可能是相似的。
网易云音乐
人工推荐
人工推荐主要指的是歌单和主播电台，这两种形式的节目主要由编辑主导。
网易云音乐 - 歌单、主播电台
智能推荐
就是我们常说的个性化推荐，网易云音乐的个性化推荐主要体现在“私人FM”、“每日歌曲推荐”、“推荐歌单”三部分，另外“推荐MV”部分其实也有体现。
“每日歌曲推荐”和“推荐歌单”两部分都属于歌单的推荐。
由于知乎上对网易云音乐的歌单推荐算法讨论的很多，而且易懂。就引用3个回答看一下~
首先从整体的产品设计角度看~
作者：沙克
链接：https://www.zhihu.com/question/26743347/answer/34542247
来源：知乎著作权归作者所有，转载请联系作者获得授权。
网易内部怎么做到这么好的推荐？在知乎上面问几乎不会得到正确答案的吧，我的答案只是从我的经验出发： “如果设计产品的话，我会这样思考”。
一个优秀的推荐系统不仅仅是个性化算法这么简单 -- 基础的也好，fancy的也好 -- 一个完整的推荐系统体系怎能不提及官方团队推荐（Editorial）、UGC（User-Generated Content）和热门推荐（Top Seller/Trending）的协作呢？
相似度矩阵（Similarity Matrix）：
大家提的各种算法里面，几乎都是基于相似度的吧 -- 无论是CF还是Content based产生的相似度，前者需要用户的行为数据，后者需要歌曲的元数据（metadata），比如旋律、Tag等等。具体算法就不再复述了，属于计算机科学的基础内容，很多人都说过了，实现起来简单。虽然很多人给出了沙盒的数据，但是这些数据实在是太好了，虽然不知网易数据的“质”和“量”如何，但是应该不至于这么好（？）。所以，凭单一的方法真的大丈夫吗？
我们先从Similarity的问题说起:
大多数用户一开始会先从自己熟悉的歌曲开始，然后一般都会给出非常相关的推荐，比如你听周杰伦的任何歌曲，他的其他热门歌曲肯定都会非常相关，比如周杰伦的《晴天》，周杰伦的《游园会》，周杰伦的《七里香》，也不失为一个好的推荐。但是你会发现全都是周杰伦，单调死了。全是周杰伦的理由很简单，因为很多用户都连着听下去呀，听完一首周杰伦到下一首周杰伦，听完这个专辑听下个专辑。如果你往后再翻翻，估计还能找到别歌手的歌曲，但是请记着：你的屏幕就这么大，坑就这么多，再好的推荐不能在考前的位置被用户看到和消费到终归也还是扯淡。现在我们来尝试解决这个问题，我们先来做个简单的多样化过滤，我们限制来自同一个歌手的推荐数量，这样后面更多歌手的歌去被推上来了，很好。
现在又一个的问题来了，陈奕迅这时候发新砖了，用户一下子蜂拥去听他的新砖了，包括周杰伦的一众拥趸们也跑去观望了一下，这样的情况持续了一个多月，这下好了，用户看到的推荐里面现在几乎都能看到陈奕迅的这些歌了，尽管他这的歌跟周杰伦的歌原本不至于这么相关。而且由于这个效应，更多的人从推荐里面点进去了听陈奕迅的这些歌，造成了一个恶性循环，使得你的Similarity以为他们真的相关，这时候其他真正相关的优质推荐却被挤压到后面了。我们来尝试解决这个问题，最简单的莫过于是计算相似度的时候过滤掉“过于”热门的歌曲了，把这些歌曲推后吧，感觉问题应该也能解决了。
现在一波未平一波又起，假设现在一个非常优秀的Indie歌手，唱的歌也好有周杰伦的早年的范，反正就是非常相关，周杰伦的歌迷肯定会喜欢那种（对不起实在不熟悉国内歌手，幸亏不是做的这行，这位迷一样的歌手大家请自行脑补）。这位迷一样的歌手刚出道，宣传力度不大，也只有少数几个地方能听到他的歌曲，只有被小数的几个周杰伦迷给发掘出来了，现在问题来了，我们该如何使得这个歌手被发掘出来呢？这个基本上与上一个问题相反，这是冷门的优秀推荐很难被发掘。这时候我们可以用点归一化（Normalization）的小伎俩微调一下。值得一提的是，归一化更能给解决一下上一个提及的太过热门的问题，类似tf-idf。可以说怎样做Normalization才是各大厂家的杀手锏吧，虽然都可能大同小异，但是不同行业还是需要细分。
先别歇下，更多的问题将要来袭:
Similarity的确是非常natural的推荐算法，事实上当数据足够大、足够干净和精确的时候，Simialrity是很难被打败的。但是设想如果是网易音乐发展初期，没有很多用户数据的情况下呢？又如果是网易音乐急速扩张时期，用户数据很多但是很sparse的时候呢？又从用户角度切入，设想是一个刚加入的新用户，并没有其它用户数据来源来提供推荐的情况下呢？这些冷启动问题，又该如何解决呢？难道就应该放弃这些用户？可能我们可以做更多的Trick来调整我们的算法，也可以去尝试更fancy的其他算法，尝试去做Hybrid、fused的系统，但是首先，产品的研发周期会变长，开发投入变大，系统变复杂维护的消耗更大，然后更糟糕的是因为进展缓慢，用户一直看的就是不咋地的推荐，用户开始流失，数据更加稀疏，最后导致恶性循环。
可以移步参考 @pig pig 的答案（网易云音乐的歌单推荐算法是怎样的？ - pig pig 的回答），描述的是multi-tenancy和纯Similarity的其他问题。
工程师的尊严并不是钻牛角尖:
...而是拿出creative的思维来跳出盒子，尝试通过别的途径来解决这些问题。我们先从做一个首页显示热门榜单开始，这是一个非常容易实现的功能，计数、排序、简单分类：中国、欧美、日本和韩国，按流派也行：流行、摇滚、古典，甚至按年龄段或者群体，不外乎是几个数据库搜索的事情。但是这些热门排行榜却作用非凡，用户可以从中发现当前的大趋势（Trending），比如说，现在张杰比周杰伦风头要盛，听听张杰的看看怎样。由此榜单也能帮助用户发现他本来兴趣圈以外的东西。这么容易实现的功能，却也可以带来不少的好处，属于“low hanging fruit”，没有不摘的理由。
然后我们来聘请一批专业的媒体编辑员，让他们根据我们歌曲库里的内容，生成比较专业的榜单，比如：“高逼格小清新”，“喧嚣中，不妨试的调调” 还有 “被遗忘的经典华语女声”。用过其它的歌曲软件的人估计对这个也不陌生，比如说虾米。这个也能很大程度上帮助用户发现兴趣圈以外的东西，而且由专业人员生成的歌单，更有目的性，比如说你喜欢苏打绿是因为“小清新”，那么在“小清新”的歌单里的，就是一大批高质量的，对你而言非常优秀的推荐了。这样的功能也能很快组织和实现起来，好处也是大大的。
最后，看到了知乎的威力以后，我们考虑做UGC。从做一个简单的UGC功能开始，我们现在另开一个数据库，允许用户保存自己的歌单，并在个人主页推荐这些歌单。同时我们在主页中定期置顶一些访问量较大的歌单。功能上非常容易实现。UGC所激发的用户潜能可以使得用户产生与专业编辑员质量相当的、甚至更高的歌单。功能上的实现实在是再简单不过，效果更是不言而喻。
这时候我们的很大一部分问题得到解决，就算是我们的Similarity所产生的推荐并不是那么好的时候，我们的用户并不会由此而失去发现音乐的途径。听歌的人多了，用户保持engaging，老用户们持续产生高质量的数据，我们之前的个性化推荐算法也能有更好数据来调整参数，从而产生更好的音乐推荐，更好好的用户群体也能推动热门榜单与UGC的发展，进入良性循环。
再来看一下从userCF算法和itemCF算法的层面进行讲解的回答：
作者：郑昊
链接：https://www.zhihu.com/question/26743347/answer/65777210
来源：知乎著作权归作者所有，转载请联系作者获得授权。
在本文中我们将提到两种方法来实现这个目的，基于用户的协作型过滤和基于物品的协作型过滤。
基于用户的协作型过滤的流程至少包括以下四个步骤：
建立评价规则
搜集用户偏好
寻找相近的用户
推荐歌曲
1.建立评价规则
下图是我随意做的一个评价规则。评价规则应该根据明确的用户行为来建立。
评价规则-随意做的
2.搜集用户偏好
根据评价规则，我们可以得到每个用户和该用户相关的每首歌的一个得分。 下图也是我随意造的数据。
用户偏好
3.寻找相近的用户
常用的计算相似度评价值的体系有两种：欧几里得距离和皮尔逊相关度。
4.推荐歌曲
接下来系统要做的就是，为用户郑昊提供歌曲推荐。我们当然可以查找与郑昊品味最相近的人，从他所喜欢的歌曲中找出一首郑昊可能还未接触过的歌曲。不过，这样的做法未免太随意了。
目前最通用的做法是，通过一个经过加权的评价值来为歌曲打分，评分结果即排名结果。为此，我们需要取得所有其他用户的分数，借此得到相关系数后，再乘以他们与相关歌曲的分数，求和之后再除以对应的相关系数总计，便能获得一个我们需要的评价值。在下表中我们给出了具体的做法。
皮尔逊相关度评价
「相关系数」一列来自于皮尔逊相关度评价。「歌名」对应各用户的得分来自评价规则处理后的结果。将前两者一一对应相乘，便是「歌N*相关系数」的值。如此一来，相比于与我们不相近的人，那些与我们相近的人将会对整体评价值拥有更多的贡献。总计一行给出了所有加权评价值的总和。
我们可以用总计值来计算歌曲排名，但是我们还需要考虑到，这样人数会对一首歌的得分产生正相关影响。为了避免这一问题，我们需要将总计除以相关系数总计。相关系数总计等于所有对这首歌曲有影响的用户的相关系数之和。表中最后一行就是我们所需要的结果。
接下来，我们来介绍基于物品的协作型过滤。
如果将基于用户的协作型过滤简述成如下形式：
网易云音乐用户甲->偏好相近用户->相关歌曲->推荐列表。
那么基于物品的协作型过滤也可以简述成如下形式：
1.歌曲A->相关用户->相关歌曲->推荐列表；
2.网易云音乐用户甲->偏好歌曲->推荐列表。
步骤1是对任意一歌曲进行数据抓取，找到相关用户和这些用户的偏好数据，再去得到相关歌曲信息，获取与该歌曲相近的最优推荐。由于与用户无关，所以步骤1可以安排在网络流量不是很大的时候进行，或者在独立于主应用之外的另一台计算机上单独进行。这里的歌曲A可能是任一一首歌。步骤1承担了大部分的运算工作。
步骤2在用户甲有相关需求时发生，通过获取用户甲的偏好歌曲和步骤1的结果，就能找到给用户甲的歌曲推荐。
再看一下从 “每日歌曲推荐”和“歌单推荐”两个功能角度的回答：
作者：木易咩咩
链接：https://www.zhihu.com/question/26743347/answer/34480706
来源：知乎著作权归作者所有，转载请联系作者获得授权。
一、每日歌曲推荐：
** 好吧这里应该有结论：**
1、 网易云的推荐算法基础是基于协同过滤，极大可能有通过标签二次过滤。
2、 推荐系统分析的行为有播放、下载、收藏歌曲。可能存在行为叠加。
3、 对用户不完整播放的行为不敏感，这个应该算是缺点吧。
4、 总的来说，推得还算准确。但是推荐算法不算太先进。大家觉得准确，可能是由于网易云使用的用户人群属性较单一，对于推荐算法来说这样的人群是十分理想的。QQ音乐新猜你喜欢，自我颠覆的个性化推荐系统**，有兴趣可以去参考下QQ音乐的推荐系统，在对用户行为的分析上，会更完善。
推荐的依据，官方声称的是由试听记录、收藏歌曲、收藏歌手进行推荐的。而事实上，能产生用户兴趣的行为，可能会包括：试听歌曲、收藏歌曲、收藏歌手、收藏专辑/歌单、搜索、关注用户、下载歌曲。所以新建了些空白样本在网易云的web端做了个测试。
空白样本测试
可以看出，网易收集的用户行为有包括：试听、喜欢、下载。官方声称的根据歌手推荐没有返回结果。
而当中，有试听的情况，推荐系统的反应是最好的，有推荐歌曲的入口跟推荐的歌单。而下载及收藏歌曲其次，没有推荐入口放出，但是用url访问地址，有推荐的歌曲。所以可以试试判定在行为分析上，网易云的权重是：试听> 喜欢> 下载。
这有点不符合常理，因为普遍觉得喜欢跟下载，是一种更强烈能反应出用户兴趣的行为。所以截包分析了一下，发现在每次播放结束后，会向服务器传递一个行为记录。当中会对用户兴趣产生影响的有：是否完整播放及播放的时长，歌曲的来源。所以觉得，在推荐行为里面可能的权重为（按用户操作的成本）：
** 下载+播放 > 喜欢+播放 > 搜索+播放 > 播放 > 下载 > 喜欢**
然后，再来看一下有推荐结果的行为：
目测第二天的数据是没上传到给服务器，或者推荐的算法权重判断上，对某些歌曲的播放次数会比是否最近播放更优先。
再看一组播放数据：
这次可以确定，用户2第二天的数据是没上传成功了。推荐系统对是否最近播放的反应很敏感，对主动中止播放这个行为不敏感。这里应有吐槽，因为切歌算是一种用户主动不喜欢的行为，理想的推荐结果，应为全部都是纯音乐。
最后纯喜欢/下载的用户，推荐的歌曲还算准确。但是4个用户的结果加起来，感觉在推荐出来的歌曲风格上十分单一。所以怀疑，推荐系统运转先是基于协同过滤，然后可能存在标签矫正的机制。也有可能是通过歌手这个纬度的矫正，因为这样的成本没标签高。
二、歌单推荐：
歌单推荐相对于歌曲推荐算法会简单很多。主要的逻辑会有：
1、 可能喜欢的歌曲，是经过试听记录去判定的，多次听一首歌，推荐系统就会判定你可能喜欢这首歌。
2、 其实歌曲，都可以分解成一个很大的标签集的（粤语、摇滚、快歌…），能归类进一个歌单里面，直接通过单曲去索引歌单，对用户兴趣的命中率也很高。QQ的专辑推荐也还是基于这个。
3、 准不准的结论不好给，推荐给我的歌单，其实在自己常用帐号还是偶尔能发现不错的。起码比QQ的好了。
下面推荐几篇关于云音乐的文章,感觉可以看一下:
- 网易云音乐王诗沐：懒人时代个性化推荐是未来
- 云音乐各产品发展阶段的实战经验
- 网易云音乐产品经理答疑｜为什么不做音乐评分
- 网易云音乐产品经理答疑｜为什么要做跑步FM
- 网易PM说：我们的音乐行业，究竟需要什么样的互联网产品
- 网易PM说丨在云音乐下载歌曲，为什么一定要选择歌单？
微信公众号：
产品新人学习路 （ i-pm-road），欢迎交流
(๑•ᴗ•๑)
产品新人学习路 （ i-pm-road）
网友评论