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,我們只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
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證

碳纖維因重量輕、強度高,廣泛應用於自行車、汽車、航太及無人機等產業,每公斤原生碳纖維價格可達數百元,部分高階材料甚至高達數千元。然而,這些高價材料製成複合材料後,生產過程產生的邊角料與廢棄物,卻因熱固性樹脂難以分離,往往只能焚化、掩埋或降級使用,讓耗費大量能源製造的碳纖維失去再利用價值。

「產業真正需要的不是把廢棄物處理掉,而是如何把裡面的碳纖維、玻璃纖維重新變成有市場價值的材料。」天翊綠能科技執行長莊文彥指出。深耕複合材料產業約20年的他,於2023年成立天翊,希望透過自主開發的低溫常壓解聚技術,讓廢棄複材重新回到製造業供應鏈。

低溫解聚保留纖維性能,從廢料處理走向材料再生

熱固性複合材料難以回收,關鍵在於樹脂固化後無法像一般塑膠重新加熱熔融。傳統高溫熱裂解雖能去除樹脂,卻可能損傷碳纖維性能;若回收碳纖維強度下降,製造商可能需要增加材料用量以滿足產品的強度要求,反而削弱碳纖維原有的輕量化優勢。

為突破限制,天翊開發低溫常壓化學解聚技術,在約90°C、常壓環境下分離樹脂與纖維,降低高溫處理對纖維性能的影響。不同於將樹脂直接燒除,天翊也推進樹脂回收再利用及化學溶劑循環,提高材料利用效率。根據天翊提供的第三方檢測結果,回收碳纖維在受測性能項目上的表現達原生材料的98%以上。團隊也將回收纖維製成再生碳纖維不織布、板材、塊材及工程材料。

莊文彥表示,再生碳纖維每公斤價格約150至300元,具備成本競爭潛力。天翊也規劃三層商業模式:取得合法處理資格後,協助製造商處理複材廢料並收取處理費;將回收纖維製成再生材料銷售;再與客戶共同開發終端零組件。「我們不希望公司的主要價值停留在『每公斤收多少處理費』,而是希望營收逐步往再生材料與高值應用移動。」莊文彥強調,讓回收材料具備市場需求,才是循環經濟能否持續運作的關鍵。

桃園 SBIR 助攻百公斤級驗證,跨越技術走向產品的關鍵門檻

對技術型新創而言,證明技術可行只是第一步。要讓再生材料進入製造業供應鏈,還必須建立可重複的處理流程、穩定的材料品質及產品驗證機制。這些工作需要投入設備、人力與檢測費用,對商業化初期的天翊而言,是不小的負擔。

在桃園市政府地方型SBIR計畫的研發經費支持下,天翊得以加速推進製程測試、材料檢測與產品驗證。莊文彥指出,過去團隊主要仰賴實務經驗調整回收製程,但要讓技術進入產業應用,還必須建立標準作業流程、進出料紀錄及材料品質數據。透過計畫,天翊逐步完善這些機制,並針對碳纖維自行車、碳纖維預浸布邊料、高壓氣瓶與車用零件等廢料進行測試,完成超過100公斤複材廢料的處理驗證,建立相應的操作條件。

除了製程驗證,補助也支持團隊將回收纖維製成不織布、模具及相關產品,確認再生材料能否符合實際需求。其中,以再生碳纖維氈製作的模具,相較原本的玻璃纖維模具,減重約56.96%;以再生碳纖維氈製作的產品,相較原本玻纖產品,減重約27.77%。這些成果讓天翊不再只能向客戶說明技術可行性,而能透過具體的材料與產品數據,爭取後續合作機會。

天翊也與既有下游夥伴推進汽車零組件應用,累積再生材料進入供應鏈所需的驗證經驗。「SBIR對我們而言,不只是補助研發,而是幫助公司跨過了『實驗室技術走向實際產品』非常重要的一段。」莊文彥表示,政府資源不僅分攤研發成本,更協助團隊補足商業化所需的品質管理與產品驗證基礎。

以桃園為循環基地,從碳纖維走向風機葉片回收

除了研發補助,桃園聚集電子、汽車、航空與複合材料產業,也讓天翊有機會就近尋找廢料來源、加工夥伴及應用客戶。此外,天翊與桃園市政府消防局就高壓氣瓶展開合作,嘗試將回收技術應用於地方政府實際產生的循環需求。團隊目前持續推進桃園廠區設置與再利用相關申請,希望建立「在地廢料、在地回收、在地再製」的產業模式。

不過,即使技術與產品驗證已取得初步成果,天翊仍須完成事業廢棄物再利用相關許可程序,才能依核准條件擴大收料與處理規模。漫長的審查過程雖然增加營運成本,但莊文彥認為,除了回收技術,合法處理資格、穩定料源與產品市場,同樣是建立長期競爭優勢的關鍵。天翊的長期目標則不止於碳纖維。莊文彥補充,當初投入低溫常壓解聚技術,也考量到未來大型風力發電機退役葉片的回收需求。風機葉片主要由玻璃纖維、樹脂及部分碳纖維構成,體積龐大且難以回收,隨著全球風電產業發展,退役葉片處理將成為重要課題。天翊也已取得風機葉片回收處理方法的臺灣發明專利與美國發明專利。

因此,團隊選擇先從材料價值較高的碳纖維切入,累積技術驗證、設備放大與商業化經驗,再逐步拓展至大型風機葉片。「我們希望證明,複合材料不是只能從製造走向廢棄,而是可以從廢棄再回到材料、再回到產業。天翊要做的,就是把這條循環真正建立起來。」莊文彥說。

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
一次搞懂工業AI
© 2026 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