Spotify算準音樂喜好,讓用戶掏錢訂閱!官方卻願意教你如何「反演算法」?
Spotify算準音樂喜好,讓用戶掏錢訂閱!官方卻願意教你如何「反演算法」?

作為煎餅果子聖地,天津人評價最高的煎餅店,一定不是人們趨之若鶩的網紅店,而是「我家樓下那家」。

人們對於音樂的喜好,和天津人對煎餅果子的愛有異曲同工之處,好友熱情分享的音樂,通常會被你歸為「垃圾」。隨著卡帶、CD、MP3逐漸被行動網路取代,音樂平台最終承載起滿足人們音樂品味的重任。

社群媒體上歷久不衰的兩個問題,一個是為什麼「隨機」推薦並不是真的「隨機」,另一個就是為什麼音樂平台推薦的音樂都這麼「垃圾」。如果有機會,大概所有人最想做的事情就是去面對面問一下音樂平台的工程師,自己到底怎麼才能「調教」好這個App,讓它推薦更多自己喜歡的音樂。

以用戶數最多的音樂平台Spotify為例,他們最近開發出了一種新的演算法——偏好轉化模型(Preference Transition Model,PTM),想要預測,一年後的你會聽什麼音樂。

當我們只看見自己喜歡的內容

抖音、微博、淘寶、YouTube、Spotify,這些平台的演算法想盡辦法猜測我們的喜好,然後把它們覺得我們會喜歡的內容推給我們。

有些時候,這些算法確實猜得很準,我們看到的都是喜歡的內容。但從另一方面來說,我們看了自己喜歡的內容。

recommended-laptop-1400.png
圖/ O'Reilly

網路活動家伊萊·帕里瑟(Eli Pariser)在2011年的時候提出了他著名的「過濾氣泡」(Filter Bubble)理論:算法會根據用戶的地址、歷史點擊、過往搜索等用戶相關資訊猜測用戶喜好。這個過程中,那些與用戶意見不相同的訊息就被過濾掉了。長期下來,用戶就會無法接觸新的想法和訊息,逐漸隔絕在自己的意識形態泡沫中。

在處理過濾氣泡的問題上,Spotify一直因為精準的演算法而為人稱道。不只是讓用戶在自己熟悉的內容裡打轉,它總能幫用戶發現那些新鮮的歌曲。而恰好,這些歌曲還很討人喜歡。

揭開Spotify「演算法黑箱」

「每週發現」(Discovery Weekly)是Spotify在2015年7月的王牌欄目。每週一,Spotiy就會向用戶推薦30首完全沒聽過的歌曲。同時,它又總能帶來非常好的用戶體驗。截至2020年6月25日,每週發現總共被播放了23億小時,大約是26.65萬年,比人類文明存在的時間還長。

Spotify是怎麼做到這一切的?當然還是演算法。

Spotify主要使用了三種推薦機制——協同過濾算法(Collaborative Filtering Model)、卷積神經網絡(Convolutional Neural Networks)和自然語言分析(Natural Language Processing)。

Netflix是最早使用協同過濾算法來推薦內容的平台。在Netflix大獲成功之後,這種算法就變得越來越流行。簡單來說,它會根據用戶之間的相似性而不是內容的相似性來推薦新事物。

對Spotify來說,擺在它面前的是一個巨大的數據庫,裡面裝滿了用戶聽過內容的歷史。協同過濾算法會根據用戶A聽過的歌曲,找到也喜歡這些歌的另一個用戶B,然後向A推薦只有B聽過的歌曲。

「同喜QRS,則嘗試一下P 和T」|Erik Bernhardsson,前Spotify 員工.pn
「同樣喜歡QRS,則嘗試一下P和T」
圖/ Erik Bernhardsson

但協同過濾算法的一大缺點就是所謂的「冷啟動」,只有掌握足夠多的數據,協同過濾算法才能發揮作用。如果用戶是一個還沒有聽過多少歌的新用戶,或者資料夾裡有一首非常冷門的歌曲,協同過濾算法就無法精準匹配。

這就引入了另一種算法——自然語言處理。Word2Vec常被用在自然語言處理中,它可以將我們日常的對話編碼成數學關係——向量。

Spotify做了和Word2Vec相似的工作。它會抓取網路上描述音樂、歌曲或者歌手的詞語,通過算法分配給它們不同的權重。這個權重,一定程度上代表了人們用這個詞來描述音樂的概率。通過自然語言處理,Spotify就能確定那兩首歌彼此是相似的,從而解決冷啟動問題。即使是冷門的歌曲或歌手,也能得到推薦。

Spotify的第三種方式是卷積神經網

在前面兩種算法的幫助下,Spotify已經獲得了足夠多的數據,但卷積神經網絡可以進一步提高音樂推薦的準確性。

卷積神經網絡會分析歌曲的特徵,包括拍子、音調、模式、節奏、強弱度等。通過閱讀這些歌曲的特徵,Spotify就可以根據用戶的收聽歷史了解它們之間的相似性,匹配用戶的喜好。

Daft Punk 的歌曲「環遊世界」的數據分析圖|The Echo Nest.png
Daft Punk 的歌曲「環遊世界」的數據分析圖。
圖/ The Echo Nest

正是通過這三種算法,Spotify像魔法般猜準了用戶的喜好,打造出了千人千面的Discover Weekly。

但即使Spotify已經成為了世界上最流行的流行音樂播放軟體,即使世界上最聰明的人在這裡構建出了無比精巧的算法,過濾氣泡的「詛咒」依舊存在。

於是,Spotify,又多做了一步。

但是,人是會變的呀!

2021年4月,Spotify聯合多倫多大學發布了一篇論文《下一步去哪兒?一種用戶偏好的動態模型》(Where To Next?A Dynamic Model of User Preferences)。

他們在4年間(2016年至2020年)分析了10萬名用戶的收聽數據,來觀察用戶的消費分佈變化。他們發現,隨著時間的變化,用戶的消費習慣也在發生變化。先前的算法擅長捕捉用戶的靜態喜好,但當面對長時間的跨度時,卻無法捕捉用戶動態的喜好變化。對於Spotify的長期用戶來說,他們依舊可能困在過濾氣泡中

1623210690986
這是2016年第一季對比隨後每個季度的總消費變化直方圖。顏色越深,對比的時間跨度就越長。比如,最左邊的淺色曲線是2016年第一季和2016年第二季的對比;最右邊的深色曲線是2016年第一季和2020年第二季的對比。隨著時間的增加,變化也越來越明顯。
圖/ Spotify

Spotify同時也發現,當免費用戶消費的音樂種類越多時,他們越有可能轉化為付費用戶。也就是說,用戶聽到的音樂類型越多,他們越喜歡Spotify。

那麼該如何知道,一個人未來的音樂口味呢?

Spotify給出了一個新的演算法——偏好轉化模型(Prefenrence Transition Model,PTM)。

在這張偏好轉化模型的草圖中,我們可以大致窺見PTM的工作原理。

7246c166656817813f57d118d4424884.png
圖/ Spotify

我們現在有個用戶1號,根據歷史,可以知道他喜歡聽靈魂樂(Soul)。我們想知道,他以後會不會喜歡新世紀音樂(New Age)和布魯斯(Blues)。

轉換矩陣A是PTM的核心,將上述的數據輸入A,就會得到一個預測的結果。可以看到,新世紀音樂的數值(0.4)和靈魂樂(0.5)非常接近,那用戶1將來很有可能會喜歡上新世紀音樂。

當然,這只是一個最簡單的模型演示,實際情況要比這複雜得多。Spotify總共歸納了4000種音樂流派。而在Spotify的數據庫中,還有有3.56億個這樣的「用戶1號」。

2d8145f225cf3013c642011ede2f1fdd.png
PTM 的核心算法:指數加權移動平均分佈和泊鬆多項式兩級分佈。
圖/ Spotify
與之前的算法相比,PTM 在各項測試中都得到了最好成績|Spotify.png
與之前的算法相比,PTM 在各項測試中都得到了最好成績。
圖/ Spotify

除了預測性能,PTM的另一大特點就是可以直觀地解釋從一種音樂是如何轉換到另一種音樂的。假定我們現在有兩個音樂流派a和b,PTM就可以提供用戶在聽完a之後轉換到b的概率。這就解釋了兩個問題:

  1. a到b,哪條路徑是最短的?
  2. 如果用戶聽了a,那麼他接下來最有可能播放哪個流派?

回答這兩個問題,大大提高了PTM的效率和預測準確性。

這是一張偏好轉化的示意圖,顯示了初始流派(綠色)到目標流派(紅色)的最短路徑|Spotify.png
這是一張偏好轉化的示意圖,顯示了初始流派(綠色)到目標流派(紅色)的最短路徑。
圖/ Spotify

如何「馴服」演算法

看起來,Spotify已經做得很好了。但再聰明的演算法,都可能時不時抽一下風。畢竟,人確實很複雜,沒有人可以像你自己一樣了解自己。

Spotify官方也給出了一些建議,希望幫助你更好地「馴服」他們的演算法。

  • 給你喜歡的歌曲點個❤️。
  • 如果你不喜歡一首歌,在30秒之前跳過它。30s是個關鍵節點,如果在這之前跳過一首歌,相當於演算法在內部給它點了👎。
  • 聽聽新的歌手和他們的音樂。這樣演算法就可以更好地學習你的行為模式。
  • 提供你的年齡和位置訊息——要是你不介意的話。Spotify會根據用戶的年齡和地理位置推薦不同的音樂類型。
  • 如果你不想Spotify注意到你的行為,可以使用「私密模式」。
  • 最後,保持耐心。算法在設計中會忽略新的收聽行為中一些迅速的、突然出現的峰值,因為許多人會分享他們的Spotify登錄信息。因此新的收聽活動可能不會立刻導致你的播放列表變化。

本文授權轉載自:極客公園

責任編輯:郭昱彣、錢玉紘

關鍵字: #Spotify #演算法
往下滑看下一篇文章
從地下室到演唱會都不卡!台灣大哥大如何解鎖全場景、有感升級的5G體驗?
從地下室到演唱會都不卡!台灣大哥大如何解鎖全場景、有感升級的5G體驗?

5G開台邁入第五年,戰場早已從「誰有5G」轉向「誰的5G好用」。夜市、演唱會、地鐵、商圈——這些人潮洶湧、訊號最容易卡頓的地方,才是檢驗網路品質的真實考場。要打造真正有感的5G體驗,靠的不是技術名詞,關鍵在於能否把網路資源變成看得見、用得到的流暢速度。

台灣大哥大擁有最大5G黃金頻寬,以及高覆蓋率的NRCA載波聚合領先技術,為網路傳輸佈局暢行無阻的地圖,打通每一個收訊死角,再加上OpenSignal權威認證背書,不僅是技術成績站得住腳,更讓用戶日常生活使用有感提升。

全台獨家最大頻寬100MHz,讓5G跑得快又穩

要解析5G效能優劣,關鍵在於「頻寬」配置。頻寬就像道路的寬度,直接決定數據傳輸的承載容量。頻寬越寬,越能支撐大量用戶同時連線,確保下載、串流、直播等應用維持順暢體驗,避免因流量壅塞導致服務中斷。簡言之,頻寬就是撐起網路用戶體感的關鍵。

台灣大哥大目前在全球主流5G黃金頻段3.5GHz上,獨家取得全台最大100MHz頻寬資源,達到頻譜配置的頂規水準。實測結果顯示,在理想條件下,此頻寬配置可擁有高達2Gbps下載速率。

1216001092_53M.jpg
圖/ shutterstock

同時,台灣大哥大也已在全台超過2,000處熱點完成5G黃金頻段基地台升級。因此即使遇到夜市商圈、大型演唱會、跨年活動等高密度人流聚集場景,當用戶數量暴增、頻寬需求激增時,完整的基礎建設布局仍能確保訊號不中斷、網速不卡頓。

打通收訊死角,體驗有感不只是口號

除了速度與流量,5G還有一項棘手難題——涵蓋死角與訊號穿透力。特別是在室內深處、地下室等場域,即使該處已有5G涵蓋,實際使用仍有可能無法完全避免的卡頓或不穩狀況。

原因在於5G高頻段雖速度快,但穿透力弱,容易因手機功率有限而發生不穩定的情況。對此,台灣大哥大結合700MHz低頻段的穩定性優勢,以互補式的高低頻協作架構,強化訊號深度與廣度。換言之,在戶外大場景跑得快,在室內密閉空間也能收得到。

NRCA自動切換最佳頻段,上網不怕訊號塞車

台灣大哥大的核心技術優勢,還有NRCA(New Radio Carrier Aggregation)載波聚合技術;NRCA讓行動裝置能同時使用多個頻段上網,如同多車道高速公路,讓資料流在不同頻段間靈活切換,兼顧高速率與深度覆蓋率。當某一頻段出現壅塞,系統能自動將資料流量轉至其他頻段傳輸,以提升整體承載效率與傳輸穩定性。

自2021年率先佈建高低頻NRCA,目前已有超過六成基地台支援這項技術,有效壓縮延遲、提升連線穩定度、強化訊號覆蓋與穿透。此外,合併台灣之星後,台灣大哥大更將全球主流5G黃金頻段3.5GHz的60MHz與40MHz頻寬合併,打造業界最大100MHz,為全台唯一同時整合5G高高頻與高低頻NRCA的電信業者,在5G網路體驗與穩定度領先同業,達到頻譜配置的頂規水準。

隨著短影音、直播、雲端工作等即時傳輸需求爆炸成長,用戶對「穩定滑順」的網路依賴不斷提高。台灣大哥大領先的NRCA載波聚合技術,正好回應用戶需求,無論是在捷運上滑臉書,還是在人聲鼎沸的夜市直播吃美食,都能享受多場景流暢切換的優質5G體驗。

2334636029_63M (1).jpg
圖/ shutterstock

優質有感體驗,經國際權威OpenSignal認證

根據國際第三方認證機構OpenSignal於2025年6月公布的行動網路體驗報告,台灣大哥大在「可用率」、「5G影音體驗」與「整體影音體驗」三項用戶有感的指標上獲得第一名。所謂可用率,意指用戶隨時隨地都能連上網路,關鍵時刻訊號不缺席,不論身處室內或移動場景,都能穩定連線不中斷;同時,良好的影音體驗指標,則代表用戶在觀看影片、雲端會議或滑短影音時,能享有畫質流暢、連線穩定、不易中斷的完整體驗。OpenSignal向來以實測數據為依據,其認證結果可視為對 5G 體驗品質的權威背書。

今年第一季,OpenSignal也針對合併電信後的網路表現進行評比。自2023年底台灣大哥大與台灣之星完成合併後,其在涵蓋體驗的評分顯著提升,並在品質一致性指標上維持82~84%的穩定水準。相較其他合併案例,台灣大哥大是體驗提升幅度最大、整體穩定性維持最佳的合併業者,顯見其網路品質、營運韌性與整合效率。

5G技術是否能成為使用者真正信賴的基礎,關鍵在於能否在生活場景中「被感受到」。台灣大哥大以完整的頻寬資源、彈性技術架構與佈建策略,從速度到穩定、從戶外到室內,打造順暢5G體驗,可期待在這場長期5G競賽中,成為用戶最仰賴的行動網路選擇。

有關更多相關資訊,請查詢網站:https://www.taiwanmobile.com/content/event/nrca/index.html

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
電商終局戰
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓