因为考虑到非技术从业者，这篇文章我会写的非常通俗，不出现任何难懂的名词和概念，更不会有任何涉及到线代、算法底层的东西。
先声明一点，下面不会出现任何具体算法实现细节，这是公司机密，但推荐算法其实是可以通过APP的表现来反推的，不会100%准确，但应该也八九不离十。
推荐依据
推荐算法不是无根之水，它必须借助用户的数据才可以进行推荐。即使是冷启动，也需要获得你的微博、微信（你的登录方式）或其他已注册用户的热门喜好。具体的数据包括
-
浏览记录
-
页面停留时间
-
歌曲播放次数
-
点击歌曲但未播放记录
-
点击歌曲且播放完成记录
-
歌曲、歌单、歌手的收藏记录
-
歌单播放次数和歌曲所属标签
-
个人属性（性别，年龄，地理位置等）
……
这样的数据在算法模型里叫做特征，也就是通过这些历史行为数据中的特征，推荐算法可以进行非常精准的个性化推荐。在几年前，网易云音乐其实还没有那么“神”，很多推荐莫名其妙，但是现在的算法相对来说已经非常精准了。
推荐算法
在说歌单的同时，也会给大家看看网易云音乐这个APP里一共有哪些地方用到了推荐算法：
场景一：打开APP时的弹出广告（很烦人对吧，我都懒得点跳过）
算法：有时候打开的广告会不一样，有时候会重复。全屏广告费用很高，假如不是独占类型的，那这块用到的可能有一些简单的人群匹配或者用户画像。如果是单次广告独占，则有可能是按照广告商的要求投放。18年之前没有这个广告功能，但是网易要恰饭的，能理解。
场景二：私人FM
私人FM和电音位于个人主页的头部位置，用户点击率非常高。因为二者本质上很相似，这里只谈FM的算法。
私人FM和单曲、歌单推荐的最大区别是，歌单推荐是一次性生成一个歌曲/歌单列表，但FM只推荐下一首，没有“上一首”功能，这意味着推荐算法会更关注你的瞬时兴趣。因为FM只有喜欢、听完、切歌三种反馈，相对来说比歌单推荐要简单很多，但相对的，信息也少了很多。
可以推算，FM用到的具体方式是由“播放、喜欢、切歌”来判断用户对推荐结果的喜好程度。使用的算法应该是相似性召回和基于用户、基于内容的协同过滤三合一，这一点和单曲推荐很相似，甚至两个功能都使用了一套推荐算法。
FM有个额外的要求是实时推荐，可以将私人FM理解为一个由动态变化的推荐歌曲组成的歌曲序列，这里面应该使用了深度学习算法中的“下一项推荐”模型来生成，用到的可能有Transformer或GRU/RNN模型。
实时推荐的意思是，上一首是“lemon”，如果你听完了，那么下一首可能会给你推荐米津玄师的另一首歌，或者相似的日文歌。如果我在听小英雄的OP，但没听完就切歌了，那么序列中的下一首本来是冰海战纪的ED，此刻可能就会变为一首英文流行歌。
场景三：主页推荐（这块包含的比较多，最主要的是“推荐歌单”功能）
算法反推：页面可以拆开来看
-
每日推荐：这里用到的是单曲推荐，具体算法不难想到，从我的每日推荐歌曲来看，基本是
-
我听过的歌手的其他单曲
-
我听过的歌曲所属分类的其他热门歌曲
-
我听过、收藏过、评论过的歌曲
-
听过我听过歌曲的人，听过的其他热门歌曲
每个部分都分配有不同权重，权重高的，推荐的位置（排序机制）就会靠前，权重低的则会靠后。比如我的列表里，蓝莲花排名第一，但是我最近并没有听过蓝莲花，也没听过许巍的歌。但是我听过民谣/摇滚标签类的歌曲，并且很容易猜到，听过这个标签的人，基本都会听蓝莲花（热门）。那么我的列表里，第1项和第4项的权重应该是更高的。
现在的算法几乎都是千人千面，所以每个用户都有自己的个性化匹配机制，也就是张三的权重和李四的权重是不同的，这也反映出一种个人喜好。而相对于FM，这里的推荐更关注用户的长期兴趣。由用户最近一个月、一个周的行为数据构成。
上面这4种只是主要推荐方式，在具体应用时，算法团队会有更多机制来筛选这些歌曲并在列表内排序，提高对新用户、不活跃用户的推荐精度，而这里用到的算法有协同过滤，基于内容召回以及相似性召回等。对算法具体原理感兴趣的可以自行搜索，这里不展开讲。
2. 歌单推荐：
点进“歌单”按钮，会跳到一个歌单广场，但是我平时不怎么用，这里和主页推荐歌单放在一起讲，因为两个模块的算法应该是一样的。
推荐歌单是网易云音乐的主要流量通道，95%以上的用户每天打开APP会首先看这些推荐歌单。推荐歌单算法，网易云在全球范围内都属于做的很不错，因为歌单这个东西和歌曲不一样，里面有很多首歌组成，并且每首歌的调性有可能相似，也有可能不同，比传统推荐要更难。B站、Youtube都有类似算法，比如通过用户的收藏夹推荐相似的收藏夹。
歌单有个特点就是UGC（用户生成内容），UGC歌单是实时的，即用户有收听歌曲行为后可实时带来推荐变化，比如刷新一下，会推送不一样的歌单给你。
具体的推荐过程大概如下图，大家只需要知道“召回”和“排序”就行。
-
召回，是从数以百万计的曲库进行初步筛选，选出几百个相对符合用户口味的候选歌曲
-
排序，是把这几百个候选歌曲通过深度学习、因子分解机等算法进行精准的个性化排序
召回的三种主要方式我大概解释一下
-
协同过滤，基于用户的行为数据，如听过的歌曲或者个人标签找到相似用户或者相似内容
-
基于内容，内容标签化，构建完整的用户画像，然后根据内容相似度进行匹配
-
基于热门 ，和你相似品味的用户聚合成一个圈，圈里的人喜欢什么，就推给你什么
这一块涉及技术太多，感兴趣的同学也可以自行搜索。
3. 电台推荐
电台推荐就是以前的FM频道，现在整合了很多栏目。基本的流程和推荐算法其实和上面的歌单推荐一样，只不过歌单变成了电台，推荐的依据也从歌单里的歌曲、评论、收藏、用户，变成了电台的听众、主播、标签等
场景四：云村推荐
-
云村广场：网易云音乐以前总是被人说清高、不接地气、评论太文青。现在这个云村广场（为了回答这个问题，我第一次点进去看），就是云音乐开始接地气的证明。点进去，我以为自己打开了抖音+快手。
这里用到的短视频推荐算法应该和快手、抖音一样，使用短视频的属性、标签和用户的口味、标签做匹配，相似性高的或者比较热门的就进行推荐。具体流程也是先召回再排序，可使用的模型较多，这里不好猜。不过短视频时代，最吸引眼球的就是图里这种内容，比什么算法都好使。
2. 好友动态：这里的动态推荐算法和朋友圈一样，但是比朋友圈简单，就是按你的关注的人的动态，以时间倒序（最新的排在最前面）进行排序。
场景五：视频推荐
视频是云音乐后来推出的一大功能，应该也是按照短视频推荐的方法来进行精准推荐，不同点在于这些视频主题更加明确，比如第一个就是华晨宇的采访，直接推送给听过华晨宇歌曲、买过华晨宇专辑的用户即可。
问题分析
用云音乐这么久，有一些问题大家肯定也比较困惑，这里做个简单分析
问题1：马太效应
19年之前网易云的推荐算法存在一个明显的问题：什么热门推什么。比如下面这个歌单，在我的推荐歌单列表中出现过不下100次，我怀疑给每个听过英文歌的用户都推了这个歌单，在座的如果有人听过，麻烦评论区留个“1”，一起验证一下。
这样的问题在于，越是热门的歌单越容易得到曝光，曝光越多也就越热门，而新歌单就很难得到曝光。这个问题在很多APP上都存在，解决方法也比较成熟。可以看到，从2019年开始，云音乐的算法团队做了改进，把基于热门的召回降低了权重，所以现在这种现象在逐渐减少。（也不排除是我的听歌口味变了）
问题2：重复推荐
现在很多推荐算法存在一个致命问题，就是重复推荐。在云音乐里，当你听过一些歌曲，就使劲推送相似的歌曲，比如我有一次听了小鳄鱼，之后就使劲给我推儿歌，这很容易引起用户的反感。
这其实是推荐算法中著名的EE（Exploitation，Exploration）问题。EE问题中的Exploitation（开发）就是：对用户比较确定的兴趣，当然要尽可能迎合用户口味，而Exploration（探索）就是：光对着用户已知的兴趣使用，用户很快会腻，所以要不断探索用户新的兴趣才行。如何解决这个问题，我想云音乐一定使用了BANDIT一类的强化学习方法来优化，下面我举个例子帮助大家理解：
一个赌徒，要去摇Tigger机，走进赌场一看，一排Tigger机，外表一模一样，但是每个Tigger机吐钱的概率可不一样，他不知道每个Tigger机吐钱的概率分布是什么，那么每次该选择哪个Tigger机可以做到最大化收益呢？ 最好的办法是去试一试，不是盲目地试，而是有策略地快速试一试，这些策略就是Bandit算法。假设我们已经通过一些数据，得到了当前每个Tigger机的吐钱的概率，如果想要获得最大的收益，我们会一直摇哪个吐钱概率最高的Tigger机，这就是Exploitation。 但是，当前获得的信息并不是Tigger机吐钱的真实概率，可能还有更好的Tigger机吐钱概率更高，因此还需要进一步探索，这就是Exploration。
最后，云音乐里很多模块的推荐算法其实都非常相似，但因为具体实施的算法团队不同，细节上肯定有所差异，效果也不会完全一样。对于EE问题的解决，以及如何提高用户粘性，想必算法团队也做了很多尝试，所以才有了这几年界面、体验的不断改善。
其实，有个问题不解决，推荐算法做的再好也没用——版权，网易云音乐的未来将何去何从，让我们保持关注吧。
更多算法、编程、AI相关知识，欢迎关注我的公众号“图灵的猫”~
