网易云音乐是音乐爱好者的集聚地，云音乐推荐系统致力于通过 AI 算法的落地，实现用户千人千面的个性化推荐，为用户带来不一样的听歌体验。

本次分享重点介绍 AI 算法在音乐推荐中的应用实践，以及在算法落地过程中遇到的挑战和解决方案。

将从如下两个部分展开：

AI 算法在音乐推荐中的应用
音乐场景下的 AI 思考

从 2013 年 4 月正式上线至今，网易云音乐平台持续提供着：乐屏社区、UGC（User Generated Content）歌单、以及精准推荐等服务，孵化出了音乐人计划、LOOK 直播、以及主播平台等版块。

目前云音乐的注册用户有 6 个亿，而且持续在音乐类 App 排行榜里蝉联着第一的位置。

AI 算法在音乐推荐中的应用

在音乐推荐的实际应用场景中，我们采用了 AI 技术来分发歌曲与歌单。其中比较典型的应用是：每日歌曲和私人 FM，它们能够根据个性化的场景，进行相关曲目的推荐。

上图是我们整个音乐推荐系统的逻辑图，包括各种日志流、ETL、特征、召回、排序和最后的推荐。

对于该推荐系统而言，最主要的是如何理解用户的画像，也就是通过对前端数据进行整合，了解用户具体喜欢什么样的音乐。

如上图所示：

在数据层，我们主要用到了 Hive、Hadoop、Flink、SparkSQL 和 Mammut。
在机器学习层，我们则用到了 SparkML、Tensorflow、Parameter Server 和 Caffe。

上面是数据体系建设的对比图，其中，算法体系建设包括了针对用户体系的建设，这是云音乐 AI 算法的应用环境。

而我们的团队则主要分为：

数据体验团队
人工智能算法团队
中台团队
业务相关的成员

说到采用人工智能的推荐方式，音乐类推荐与其他商品有着不同的地方。例如：

由于我们能够在很短的时间分辨出自己的喜好，所以我们可以做到在 10 秒钟内浏览十来条连衣裙。但是音乐是需要花时间去体验的，往往一首曲子我们听了 10 秒钟或者更长的时间后，才发现它并非我们所喜好的。所以说，音乐不是通过直接看就能被理解的，我们在制作推荐产品的过程中，应该以用户的体验为导向，真正去理解音乐的本身。
连衣裙往往在单位时间内只能被消费一次，但是人们可以通过循环播放列表、以及单曲循环的方式，在单位时间内反复欣赏音乐。因此，这是一种可重复消费的行为，我们在做推荐时应当把握此规律。
由于音乐消费的成本比较高，我们更需要重视用户的体验，以及用户在其消费过程中存在的、较强的时间先后关联性。同时，是否给让用户收听一首歌曲的 10 秒、30 秒、以及 60 秒，对他们来说其表达的含义是截然不同的。因此，我们需要提供的是真正有意义的消费，从而让这些关联性体现出有效的行为含义。
怎么去衡量音乐推荐系统的优劣呢？是考察用户使用该平台的时长？还是看他在收藏夹内收藏的音乐曲目数？当然，我们曾经发现有些用户从来不以点击红心的方式去收藏任何歌曲。后期通过交流，我们才发现他其实只是直接把自己碰到的不喜欢的歌曲拉黑了而已。可见，我们很难用单一目标去衡量音乐推荐系统的效果。

下面我们来看看，云音乐平台是如何应用各种 AI 技术的：

①音乐的复杂性

鉴于上面提到的有关音乐的复杂性问题，我们该如何去理解音乐呢？在我们的平台上，针对不同的音乐，有着丰富的 UGC、以及各式各样有质量的用户评论。

因此，我们可以运用这些针对歌单的评论与认知，采用双向的 bi-Istm，来针对音乐生成一些描述性的语句。

那么，当有新的音乐被输入时，我们便可以基于与之相关的较少的语言，来制定出一个新的解释性描述。

如上图所示，例如有一首《逆流之河》的歌曲，其下方有着许多相关的歌单标题和描述信息。

我们可以通过新增关键词，来还原各种标记词，进而产生对于该音乐人的相关特征描述。

在此基础上，我们再根据人工过滤的词汇表，自动生成诸如：“网络的华语女声”、“香港民谣歌曲”等短语。

因此，凭借着该 NLP（自然语言处理）系统，我们最终能够实现歌曲短语的可视化。

籍此，对于社区里的用户来说，他们甚至可以不用点开某个歌曲收听，就能够大致获悉该歌曲所归属的类型。

其次，我们可以利用比较简单的“视频+图像+卷积”技术，来理解音乐。

例如，对于一些比较热门的歌曲，我们利用已生成的表达、以及现有的关联性，进而获取相关的音频，识别歌曲的响度、节奏、风格、以及音乐之间的相似性，给音乐进行“画像”。

②音乐中的重复消费价值

这里主要体现的是音乐推荐中的 CF。如上图所示，我们通过跟踪发现：某个用户将 A 歌曲听了 10 次，将 B 歌曲听了 9 次，而 C 歌曲只听了 1 次。

那么我们就可以对 A、B、C 的相似关联性理解为：该用户偏好 A 和 B 类歌曲更多一些，而且 A、B 之间的关联性也更大一些。

因此，基于用户的此类重复消费频次，我们可以通过设置 X、Y、Z 坐标轴的关系，来表达它们之间的空间位置、以及空间方向的差异性。

显然，有了此类相似度的计算，我们对于各种音乐的推荐效率会有大幅的提升。

③音乐的高消费成本、前后高关联特性，更加要求有合适的模型去表达用户的需求

如上图所示，我们经历了从一开始的线性模型、到树模型、到大规模 FTRL、再到深度神经网络、最后到深度时序网络，这么一个音乐推荐方面的迭代过程。

首先，我们从 LR 模型入手。该 LR 模型的解释性较强，便于我们进行选择。不过，虽然它的解释性较强、且迭代的速度较快，但是它的表达能力是非常有限的。

后来，我们转到了树模型。该模型中的 RF 和 LGB 等模型具有：能够解决部分非线性可解释的优点，当然其缺点在于拟合能力有待加强。

接着，我们上马了适合表达的大规模 FTRL。其优点在于：可以通过记忆类特征，基于之前的学习和时序训练，表达并刻画出所有的特征与关联性。

而缺点则是特征纬度比较大，即：对于来自不同公司的不同需求，需要的样本量会比较多，计算量也会比较复杂。

为了增加后续的表达能力，我们采用了深度神经网络，包括：DNN、DeepFM 以及 Wide&Deep 等模型。

它们的优点是理论性非常强，而缺点是：由于本身神经网络的复杂性，因此它们的可解释性比较差，也不能学习到各种隐含的时序关系。

最后，我们采用了深度时序网络，其对应的模型包括：LSTM、GRU Transformer、DIN 以及 DEIN，它们的优点是能够学习到不同的时序特征，进而具有刻画+泛化的能力。

当然，它们同样带有上述提到的深度神经网络的缺点，即：网络比较复杂，而且可解释性比较差。

我们下面来看看 LR 以及树的模型。前面我们说过，线性与树模型的特点是：统计类/泛化类特征很丰富，但是泛化能力比较差。

在歌曲应用场景中，我们可以直接把与歌曲相关的、由用户行为所产生的丰富数据，提供给该模型。

通过算法，我们需要将各种音乐指标抽象成标签。可是，虽然我们有足够多的音乐资源和行为样本，但是由于行为序列往往不是线性的，因此我们反而遇到了过拟合、以及特征时间穿梭（即特征记忆）方面的问题。

我们亟待通过线下与线上的特征一致性，来有效地利用数据，学习不同行为的前后关联性，进而提升模型的拟合能力。

因此，为了提升拟合能力，我们首先尝试的是 DNN 模型。DNN 在结构上是通过 ReLU 来保证对于低阶特征组合和高阶特征组合的全连接，但是这也导致了整体数量的膨胀。

于是，我们改进为 DeepFM，它能够同时对低阶特征组合和高阶特征的组合进行建模，从而能够学习到各阶特征之间的组合关系。如上图所示，我们在后期还引入了 DCN。

DCN 可以显式地学习高阶特征的交互。我们可以籍此来有效地捕获高度非线性的交叉特征。

由于仍保持了 DeepFM 模型，我们可以有效地控制向量的扩张，从而让参数的空间得以缩小。

在前文中，我们也提及了时序关联表达的问题。对此，我们曾经采用过针对点击率的 DIN（Deep Interest Network）。

在用户的多样化兴趣点中，DIN 重点关注的是那些会影响到当前推荐的历史行为。不过，DIN 无法捕获用户对于音乐兴趣类型的动态变化。

例如，某个用户以前喜欢电声类音乐，后来改为喜欢民谣了。那么此类“演进”正是 DIN 所无法捕获的。

在此基础上，我们改用到了深度兴趣演化网络（DIEN）模型。该模型的主要特点是：通过关注用户在系统中的兴趣演化过程，设计了兴趣抽取层与进化层。

它采用新的网络结果和建模形式，来更精确地表达用户兴趣的动态变化，以及时序演进的过程。

为了更加细粒度地掌握用户的兴趣变化，我们还运用了 DSIN 模型。DSIN 主要由两部分构成：一个是稀疏特性，另一个是处理用户行为序列。

该模型能够发现某个用户在同一个 Session 中，所浏览商品的相似性；以及在不同 Session 中，所浏览商品的差异性，进而抽取用户的时序兴趣。

④在音乐消费中，鉴于用户需求的复杂性，很难用单一目标去衡量音乐推荐系统的优劣

虽说推荐系统是一个典型的统计学应用，但是统计学只能解决 95% 的问题，剩下的 5% 是有关个人偏好方面的。

我们在实际应用中往往会遇到各种问题，其中包括：CTR（Click-Through-Rate，点击率）与消费时长的关系并非同步提升，有时候甚至呈现出此消彼长的趋势。那么我们该怎么解决多目标的问题呢？

针对多目标问题，我们有许多种解决方法可供选择。如上图所示，有：样本加权、Weight Loss、以及部分网络共享。因此，我们采用了多目标联合训练，这种简单的实现方式。

在上图中，我们首先在网络层保证了各项输出，并实现了浅层共享表示。因此，在训练效果上，虽然目标之间也存在一定的差异性，但是随着我们引入了差异网络进行训练，收藏率和消费时长都得到了明显的提升。

可见，联合训练的优势在于：

通过多个目标任务在浅层共享表示，我们在任务之间加入了噪音数据。此举既降低了网络过拟合，又提升了泛化的效果。
在多目标任务的学习中，我们通过让不同任务的局部极小值处于不同的位置，并能够相互作用，以协助逃离局部的极小值。
通过多目标任务的联合训练，让模型尽可能地去求解多任务的共同最优解。
使用类似于“窃听”的方式，跟踪用户对于音乐的收藏等操作，进而做出相应的判断。

回顾我们在前文中所提到的音乐推荐与其他类型推荐的差异点，我们实现了如下点对点式的解决方案：

差异：基于音乐本身的复杂性，我们该如何理解音乐资源呢？解决：利用 NLP、视频、以及图像技术去更好地理解音乐。
差异：可重复消费与不可重复消费的不同之处。解决：利用音乐的消费特性，去智能地分析不同歌曲之间的关联性。
差异：各种音乐不但消费的成本较高，而且前后有着明显的关联性。另外，有效行为的含义往往会更加丰富。解决：利用复杂的 AI 模型，去探究用户听歌的序列关联性。
差异：很难采用单一的目标，去衡量音乐推荐系统的效果。解决：利用 MTL 技术，去解决用户的多样性需求。