根据查找的一些资料和自己的一些猜想，本文作者对推荐算法进行简单说明和对云音乐的推荐算法进行猜想。

每日歌曲推荐banner左下角有一行字：“根据你的音乐口味生成，每天6:00更新”。可见，云音乐利用相关推荐算法每天运行，对每个用户进行个性化推荐。不得不说，自己从每日歌曲推荐里找到好多喜欢的音乐和小众歌手。同时，随意在微博里搜了一下相关评论，看来个性化推荐真的做到好评如潮。

所以，接下来根据查找的一些资料和自己的一些猜想，对推荐算法进行简单说明和对云音乐的推荐算法进行猜想。

什么是推荐算法？

简单的说是一些函数。根据用户的个人标签和近期做了一些动作（如听了某首歌、喜欢了某首歌、收藏了某个歌单…），然后后台根据推荐算法给每个用户推荐可能符合口味的商品。

构建推荐算法的目的是什么？

1、帮助用户找到想要的商品，发掘长尾

想要帮用户找到想要的东西，却没那么容易。在经济学中，有一个著名理论叫长尾理论（The Long Tail）。

套用在互联网领域中，指的就是最热的那一小部分资源将得到绝大部分的关注，而剩下的很大一部分资源却鲜少有人问津。这不仅造成了资源利用上的浪费，也让很多口味偏小众的用户无法找到自己感兴趣的内容。

2、降低信息过载

互联网时代信息量已然处于爆炸状态，若是将所有内容都放在网站首页上用户是无从阅读的，信息的利用率将会十分低下。因此我们需要推荐系统来帮助用户过滤掉低价值的信息。

3、提高站点的点击率/转化率 

好的推荐系统能让用户更频繁地访问一个站点，并且总是能为用户找到他想要购买的商品或者阅读的内容。

4、加深对用户的了解，为用户提供定制化服务 

可以想见，每当系统成功推荐了一个用户感兴趣的内容后，我们对该用户的兴趣爱好等维度上的形象是越来越清晰的。当我们能够精确描绘出每个用户的形象之后，就可以为他们定制一系列服务，让拥有各种需求的用户都能在我们的平台上得到满足。

推荐算法主要有哪些？

1. 基于流量热度推荐
2. 基于内容推荐
3. 协同过滤推荐
4. 基于关联规则推荐
5. 基于知识推荐
6. 组合算法推荐

云音乐推荐算法猜想

核心：协同过滤算法（CF）。

协同过滤算法有两种，基于人（user）、基于歌曲（song）：

1. 基于人：eg、分析用户user1、user2、user3的偏好；找到听歌风格相近的用户user1、user3；推荐user1听user3听过而user1没有听过的歌song5
2. 基于歌曲：eg、分析user1喜欢听的song1分别与song2、song3的相似性（每首歌有很多tag）；推荐user1听与song1相似风格的song3。

协同过滤算法利用余弦相似度计算向量间的相似性，结果范围[-1,1]。

具体想发法如下：

（1）若是基于人的算法，可能会存在一些问题：要计算每个用户间的相似度，计算量大；如果是一个新用户，很难向他推荐音乐。

（2）所以云音乐在推荐上，极大可能是基于歌曲。即对每首歌进行标签化，然后对歌曲之间进行计算。但是，不难发现，每首歌曲只有作者、专辑、包含歌单。所以，如果仅仅是根据每首歌曲的标签也很难进行相似度计算。

（3）这时候，引入歌单，即云音乐后台有大量用户们自己创建的相似歌曲的歌单。每个收听次数较多的歌单都有相应的标签，即音乐的语种、风格等。将音乐表与歌单表相关联，而后计算每个歌单里每首歌的相似度，进行推荐。

（4）个人觉得这也是最重要的一步：音乐评分体系。

每日歌曲推荐的大部分是评论+999的歌，所以在找到相似歌单同时，进一步筛选有质量的歌曲推荐给用户。（这也只是自己的一个猜测而已）

这是自己最近看了一些参考文章和对云音乐推荐的大致猜想。总觉得自己还有很多地方没考虑周全，所以欢迎留言多多交流。

相关参考

【1】推荐系统算法初探  http://dwz.cn/4HyI1v

【2】推荐算法  http://dwz.cn/4HLdi0

【3】推荐算法 https://www.zhihu.com/topic/19580544/hot

作者：ＭＯＭＯ

来源：微信公众号：数据分析实习生（DA_Intern）

本文由 @ＭＯＭＯ 授权发布于人人都是产品经理，未经作者许可，禁止转载。