算法|算法推歌20年：从Pandora、Spotify到QQ音乐、网易云音乐( 三 ) Spotify|推荐系统|QQ音乐

QQ音乐推荐系统的另一个创新点则是建立了歌曲的知识图谱。在采访中， QQ音乐数据算法负责人Toro对音乐先声表示，知识图谱是由歌曲丰富的知识信息组成的网络结构，在这个网络中，每首歌曲就是一个点，具有相同特征（例如专辑、歌手、音色等）的所有歌曲连成线，所有线交织在一起，则构成了一张蕴含着歌曲关联信息的网状知识图谱。
知识图谱的应用，无疑给分析歌曲之间的相关性提供了更多的角度。作为可读性较高的外部知识载体，歌曲的知识图谱提供的信息也应用到了QQ音乐的个性化推荐板块（个性电台、每日30首等）。

在用户分析方面， QQ音乐主要采用行为序列和语义分析两种模型。用户对每首歌曲的搜索、播放、收藏、切歌等在APP中的所有行为构成的行为序列，再结合从语义分析出的用户音乐个性，帮助QQ音乐为每位用户刻画出了独有的“音乐肖像” 。
可见，在歌曲角度和用户角度， QQ音乐的算法推荐系统尽可能做到多样化的数据融合和本土化，在新热歌曲的推荐上表现也比较突出。
而作为国内第一个以歌单为底层架构的在线音乐平台，网易云音乐对推荐系统有着自己的理解。除了用户对一首歌曲的播放、收藏、转发等常见的反馈外，社交功能强大的网易云音乐还拥有评论区这一丰富的“资源” 。为此，网易云音乐专门上线了针对评论语义分析功能，以从评论的语义中判断用户对歌曲的偏好程度。

随着推荐系统近年来的飞速发展，用户的要求也在水涨船高，不少用户表示推荐系统很少给自己带来“惊喜感” 。这是由于在已有的推荐系统中，用户画像方法大都没有考虑用户属性标签的时效性，因此很难刻画用户的动态变化。

网易云音乐对于深度时序网格的引入，在一定程度上解决了这个问题——深度时序网格对用户过去一段时间及当前的听歌习惯进行分析，通过对用户兴趣点的快速更新，不仅实现了对用户的实时建模推荐，还能帮助用户发现潜在喜欢的歌单类型。网易云音乐相关负责人对音乐先声表示，这在一定程度上带来了用户使用中的”惊喜感” 。
但由于深度时序网络较为复杂，推荐系统的可解释性在一定程度上也会受影响。可解释性主要分为两个方面，一方面是算法的可解释性，算法的可解释性差意味着在推荐系统出现偏差时，算法工程师更难找到问题所在；另一方面则是推荐结果的可解释性，如果一个推荐系统能够给出推荐这些内容的原因，则说明其具有较好的可解释性。

清华大学张敏教授在某购物平台上进行的一项实验表明：当推荐结果的可解释性增强时，用户对其的点击率也会有所提升。这就说明，良好的可解释性意味着更高的用户接受度。算法推歌也是同样的道理。

也就是说，在给出精准推荐的同时，还能给出可靠的解释，这样的推荐系统往往能收到更好的推荐效果。这也是目前国内外音乐平台在个性化推荐系统领域的努力方向——不仅要提高用户选择推荐内容概率及用户满意度，还要提高用户对系统的信任与接受程度。
算法之外，推歌路在何方？长期以来，国内音乐平台的推荐系统一直被拿来同国外作比较，不少用户表示，目前国外音乐平台推荐系统的使用体验较好，甚至认为这种差距主要来自于推荐技术上的落后。
但其实，在世界一流的技术团队的努力下，从算法到模型，在技术层面，国内的推荐系统并不比国外差。 Toro认为：“相比于国外，国内的推荐技术并不处于劣势，国外的创作者生态和数据结构发展得比较成熟，这是他们的优势所在。我们处于不同的发展时代，而时代的发展是每个音乐产业都要经历的。 ”