音樂產品的觀察思考和個性化推薦

　　今天想聊聊關于音樂產品的一些觀察和思考。

　　許多人會說，音樂產品的戰爭就是版權戰爭，版權買差不多了，音樂產品也就分出勝負了。實則不然。在騰訊系（QQ音樂、酷狗、酷我）早年間在華語流行領域建立版權優勢前提下，網易云音樂還是堅守住了陣地，有了黏性的用戶，形成今日的兩強格局。

　　背后的原理是什么呢？我們可以展開說下，用戶有關聽音樂的需求階段。

　　在決策層，要有發現音樂的途徑。這種途徑，一方面是站外通過熱門的綜藝、影視劇、公域（微博）或私域（朋友圈）的推薦，另一方面，是產品內通過歌單、推薦等功能實現。

　　在消費層，當然最重要的就是先要可以聽（有版權的曲庫），播放的體驗（播放器）。除了單純的聽歌消費，圍繞著社區互動而展開的 UGC 歌單、歌曲評論、動態分享等，也會變成音樂體驗的重要一環。

　　整體的價值邏輯是這樣的：

　　逐個來說。

　　1.足夠大的曲庫

　　關于版權的爭奪由來已久。早在 2015 年（聽起來都那么遠古了），阿里就跟騰訊爭搶過不少獨家版權。那個年代阿里一度有超過 60% 的中文歌曲獨家版權。但蝦米和天天動聽的發展卻還是讓人覺得可惜。

　　網易云音樂也是在那幾年突然崛起的，在華語流行版權并不占優勢的情況下，甩開了其他對手。

　　看歷史發展也能得出結論：沒有版權是萬萬不行的，但只有版權也是萬萬不可的。

　　2.決策場景和消費場景

　　播放器方面，體驗很難能拉開大的差異，無非是封面圖的展示方式、歌詞的展示和定位、播放的設置等等。并不是說創新難，而是創新的任何功能，對手都能輕松抄去。

　　在消費場景上可突破的，顯然不如在決策場景上可突破的。

　　決策場景要解決的是：用戶想聽歌的時候，去哪里找歌。

　　站外的決策難以影響，在產品內就是兵家必爭之地。網易云音樂的“發現”標簽頁，和 QQ 音樂的“推薦”標簽頁，是最核心的頁面。

　　他們起到的核心作用就是推薦。

　　可以聯想到淘寶為什么對微信和拼多多非常忌憚：假如用戶的決策過程都在微信里完成了，那是多么可怕的事情。而龐大完整的熟人關系鏈、朋友圈和公眾號公私全包的內容平臺，簡直是消費決策的溫床。

　　還可以類比高德對滴滴的威脅：一旦高德的打車心智在用戶心里建立穩固了，滴滴會淪為運力供應公司（大型出租車公司）。

　　所以反過來看就知道做推薦的價值多大了。把握了決策環節，至少會有這些衍生價值：

　　通過更佳的使用體驗增加用戶留存

　　通過更多使用場景增加用戶活躍

　　B端的廣告價值（品牌效果均可）

　　推薦是重中之重，做的方式有兩種：UGC 和系統推薦。

　　這兩種方式都可以“發現內容”，在不同內容載體上出現了明確的產品形態區分。比如電商里，淘寶的“有好貨”就是系統推薦，直播帶貨就是 UGC。知乎里，推薦頁面是系統推薦，收藏夾就是 UGC。

　　下面著重說下個性化推薦。有機會再聊 UGC。

　　3.個性化推薦方法

　　發現/推薦音樂的方式有很多，有多個維度可以拆解。

　　第一個維度，是基于什么推薦。

　　推薦系統是個龐大的復雜問題，在文內不宜展開講。底層邏輯則可以用兩種常見的協同過濾（Collaborative Filtering）算法舉例。

　　基于用戶的協同過濾（UserCF），指的是給用戶A的推薦，參考愛好跟A相似的用戶B的情況。這種方法在亞馬遜發揚光大，國內的豆瓣早期是代表。如今電商平臺、內容平臺也都普遍使用。

　　基于內容的協同過濾（ItemCF），指的是用戶A的推薦，參考A之前喜歡的內容。同樣也是常見算法，適用于已經有足夠的用戶內容喜好數據的場景。

　　很顯然的，ItemCF 只能源源不斷給用戶推薦已經喜歡聽的音樂，不能讓用戶發現新的音樂類型。一直聽搖滾的，就永遠是搖滾；一直聽流行的，也不會發現搖滾。UserCF 能相對好一些，雖然一直聽搖滾，但有相似的用戶開始喜歡上流行搖滾了，那也會被推薦流行搖滾。

　　第二個維度，是采用哪些數據。

　　如何量化“喜歡”，通常是通過用戶行為，計算一個合理的模型來做量化。公開信息里沒有找到詳細的描述，但可以間接判斷出，音樂產品通常是會采用這些數據的：

　　主動選擇不喜歡

　　得到喜歡的量化情況，在使用協同過濾時，還要量化“相似”。常見的有余弦相似度，計算空間向量夾角余弦。這個不展開說了，但很有趣，對算法邏輯感興趣的可以搜下。

　　第三個維度，是達到怎樣的目的。

　　從終極目的看，當然是用戶的活躍和留存。不過中間的二級指標，才是模型可控的，比如推薦轉化率（接受程度）、完播情況等等。

　　但這兩個指標主要還是考慮準確率。還有像剛剛提到的：我雖然平時經常聽A風格，但也需要聽B風格的歌。畢竟喜歡某個歌手，反復狂推他的歌肯定沒錯，但容易讓用戶覺得，推薦不到新的內容。

　　這就要考慮召回率。這背后是多樣性和新穎性，也可以用指標來體現，比如歌曲相似情況的方差、每輪推薦里是否有方差較大的歌，等等。

　　比如我最近聽中文流行和民謠比較多，但歌單里還是出現了一首英文歌和一首韓文歌。

　　另外，真實情況下，還要考慮各種特殊的場景。網易云音樂官方就做了這樣一個說明：

　　第四個維度，是推薦的對象。

　　歌曲是一個顆粒度，歌單則是另外一個重要的顆粒度。歌單比起歌曲來有這樣的好處：

　　其一，對用戶的容錯率高。歌單的 30 首歌里有 20 首滿意也可以接受。但歌曲推薦不成功，用戶就對功能失望。電臺處于二者之間，用戶對無預期的播放列表，容錯率也不是很高。

　　其二，以歌單為維度設計模型更容易實現多樣化目標。比如剛剛提到的新穎程度，歌單容易實現。而單首歌曲的推薦就不太容易實現。

　　所以我們看到，QQ 音樂和網易云音樂幾乎都是歌單推薦為主。

　　4.說說體驗

　　網易云音樂和 QQ 音樂的每日推薦都在各自推薦/發現頁很顯著的位置。

　　推薦的歌曲都是 30+首。維度也相似，大多是常聽的風格，少數是有些陌生的風格。

　　從個人體驗上而言，我幾乎只用網易云音樂，當然并非只因為推薦做得好，更多是我平時聽歌在網易云音樂比較多，QQ 音樂想推薦好力不能及。

　　看公眾評價的話，網易云音樂起步更早，目前的好評也更多。

　　另外，《界面》在 2017 年就提到，網易云音樂的曲庫使用率高達 80%。這很大程度上是個性化推薦的功勞。說明在個性化推薦的多樣化和新穎性上做得出色。

　　有意思的是，網易云音樂最近上線了一個叫“私人雷達”的功能，呈現為歌單形式，用戶進入的是同一份歌單，但實際上每個用戶看到的歌曲內容都不一樣。本質也是個性化推薦功能。

　　我讓平時日均聽歌時間超過 2h 的哥們試用了下，他表達說，感覺私人雷達的準確度還不錯，讓他有興趣收藏的會在 1/2，用其它產品類似功能的時候一般到 1/4 就不錯了。

　　和其他推薦功能不同，歌單是可以評論的，在工具性的基礎上還有點社區互動屬性。私人雷達的評論區是這樣的：

　　有個細節是，私人雷達會出現聽過的歌，因此更像心動模式（基于紅心歌曲進行推薦的模式）。說明是與“發現新歌”不同的場景。

　　這就很有意思了。是否對更多場景，有更多個性化探索的可能性？現在的場景化大都是 UGC 來完成，未來是否有針對每個人個性化的咖啡場景動態歌單、學習場景動態歌單？

　　UGC+機器學習算法結合，在音樂曲庫方面，會比文字和視頻都要容易做（歌曲的信息更機構化），也許是一個很前瞻的探索。 

中音在線：在線音樂學習門戶

• 音樂考級、音樂教程、音樂高考名師課堂在線學習

• 音樂考級類網絡課程

• 音樂教程名師視頻課堂

• 音樂高考和考研類視頻網絡課程