年轻人都在「反算法」，没想到它先站出来了
你的音乐品味变了，Spotify 的算法也是。
作为煎饼果子圣地，天津人评价最高的煎饼店，一定不是人们趋之若鹜的网红店，而是「我家楼下那家」。
人们对于音乐的喜好，和天津人对煎饼果子的爱有异曲同工之处，好友热情分享过来的音乐，通常会被你归为「垃圾」。随着卡带、CD、MP3 逐渐被移动互联网取代，音乐应用最终承载起满足人们音乐品味的重任。
社交媒体上经久不衰的唯二的两个问题，一个是为什么「随机」推荐并不真的「随机」，另一个就是为什么音乐平台推荐的音乐都这么「垃圾」。如果有机会，估计所有人最想做的事情就是去面对面问一下音乐应用的程序员，自己到底怎么才能「调教」好这个 App，让它推荐更多自己喜欢的音乐。
以用户数最多的音乐平台 Spotify 为例，他们最近开发出了一种新的算法——偏好转化模型（Prefenrence Transition Model，PTM），想要预测，一年后的你会听什么音乐。
揭开 Spotify「算法黑箱」
抖音、微博、淘宝、YouTube、Spotify，这些平台的算法想尽办法猜测我们喜好，然后把它们觉得我们会喜欢的内容推给我们。
有些时候，这些算法确实猜得很准，我们看到的都是喜欢的内容。但从另一方面来说，我们只看了自己喜欢的内容。
互联网活动家伊萊·帕里瑟（Eli Pariser）在 2011 年的时候提出了他著名的「过滤气泡」（Filter Bubble）理论：算法会根据用户的地址、历史点击、过往搜索等用户相关信息猜测用户喜好。这个过程中，那些与用户意见相悖的信息就被过滤了。长期下来，用户就会无法接触新的想法和信息，逐渐隔绝在自己的意识形态泡沫中。
在处理过滤气泡的问题上，Spotify 一直因为精准的算法而为人称道。不只是让用户在自己熟悉的内容中打转，它总能帮用户发现那些新鲜的歌曲。而恰好，这些歌曲还很讨人喜欢。
「每周发现」（Discovery Weekly）是 Spotify 在 2015 年 7 月的王牌栏目。每周一，Spotiy 就会向用户推送 30 首完全没听过的歌曲。同时，它又总能带来非常好的用户体验。截至 2020 年 6 月 25 日，每周发现总共被播放了 23 亿小时，约合 26.65 万年，比人类文明存在的时间还长。
Spotify 是怎么做到这一切的？当然还是算法。
Spotify 主要使用了三种推荐机制——协同过滤算法（Collaborative Filtering Model）、卷积神经网络（Convolutional Neural Networks）和自然语言分析（Natural Language Processing）。
Netflix 是最早使用协同过滤算法来推荐内容的平台。在 Netflix 大获成功之后，这种算法就变得越来越流行。简单来说，它会根据用户之间的相似性而不是内容的相似性来推荐新事物。
对 Spotify 来说，摆在它面前的是一个巨大的数据库，里面装满了用户听过内容的历史。协同过滤算法会根据用户 A 听过的歌曲，找到也喜欢这些歌的另一个用户 B，然后向 A 推送只有 B 听过的歌曲。
但协同过滤算法的一大缺点是所谓的「冷启动」问题，只有掌握足够多的数据，协同过滤算法才能起作用。如果用户是一个还没有听过多少歌的新用户，或者内容库里有一首非常冷门歌曲，协同过滤算法就无法精准匹配。
这就引入了另一种算法——自然语言处理。Word2Vec 常被用在自然语言处理中，它可以将我们日常的对话编码成数学关系——向量。
Spotify 做了和 Word2Vec 相似的工作。它会抓取网络上描述音乐、歌曲或者歌手的词语，通过算法分配给它们不同的权重。这个权重，很大程度上代表了人们用这个词来描述音乐的概率。通过自然语言处理，Spotify 就能确定那两首歌彼此是相似的，从而解决冷启动问题。即使是冷门的歌曲或歌手，也能得到推荐。
Spotify 的第三种方式是卷积神经网。
在前两种算法的帮助下，Spotify 已经获得了足够多的数据，但卷积神经网络可以进一步提高了音乐推荐的准确性。
卷积神经网络会分析歌曲的特征，包括拍子、音调、模式、节奏、响度等。通过阅读这些歌曲的特征，Spotify 就可以根据用户的收听历史了解它们之间的相似性，匹配用户的喜好。
正是通过这三种算法，Spotify 像魔法一般猜准了用户的喜好，打造出了千人千面的 Discover Weekly。
但即使 Spotify 已经成为了世界上最流行的流媒体播放软件，即使世界上最聪明的人在这里构建出了无比精巧的算法，过滤气泡的「诅咒」依旧存在。
于是，Spotify，又多做了一步。
但是，人是会变的呀！
2021 年 4 月，Spotify 联合多伦多大学发布了一篇论文《下一步去哪儿？一种用户偏好的动态模型》（Where To Next？A Dynamic Model of User Preferences）。
他们在 4 年间（2016 年至 2020 年）分析了 10 万名用户的收听数据，来观察用户的消费分布变化。他们发现，随着时间的变化，用户的消费习惯也在发生变化。先前的算法擅长捕捉用户的静态喜好，但当面对长时间的跨度时，却无法捕捉用户动态的喜好变化。对于 Spotify 的长期用户来说，他们依旧可能困在过滤气泡中。
Spotify 同时发现，当免费用户消费的音乐种类越多时，他们越有可能转化为付费用户。也就是说，用户听到的音乐类型越多，他们越喜欢 Spotify。
那么该如何知道，一个人未来的音乐口味呢？
Spotify 给出了一个新的算法——偏好转化模型（Prefenrence Transition Model，PTM）。
在这张偏好转化模型的草图中，我们可以大致窥见 PTM 的工作原理。
我们现在有个用户 1 号，根据历史，可以知道他喜欢听灵魂乐（Soul）。我们想知道，他以后会不会喜欢新世纪音乐（New Age）和布鲁斯（Blues）。
转换矩阵 A 是 PTM 的核心，将上述的数据输入 A，就会得到一个预测的结果。可以看到，新世纪音乐的数值（0.5）和灵魂乐（0.4）非常接近，那用户 1 将来很有可能会喜欢上新世纪音乐。
当然，这只是一个最简单的模型演示，实际情况要比这复杂得多。Spotify 总共归纳了 4000 种音乐流派。而在 Spotify 的数据库中，还有有 3.56 亿个这样的「用户 1 号」。
除了预测性能，PTM 的另一大特点就是可以直观地解释从一种音乐是如何转换到另一种音乐的。假定我们现在有两个音乐流派 a 和 b，PTM 就可以提供用户在听完 a 之后转换到 b 的概率。这就解释了两个问题：
1、a 到 b，哪条路径是最短的？
2、如果用户听了 a，那么他接下来最有可能播放哪个流派？
回答这两个问题，大大提高了 PTM 的效率和预测准确性。
如何「驯服」算法
看起来，Spotify 已经做得很好了。但再聪明的算法，都可能时不时抽一下风。毕竟，人确实很复杂，没有人可以像你自己一样了解自己。
Spotify 官方也给出了一些建议，希望帮助你更好地「驯服」他们的算法。
给你喜欢的歌曲点个❤️。 如果你不喜欢一首歌，在 30 秒之前跳过它。30s 是个关键节点，如果在这之前跳过一首歌，相当于算法在内部给它点了👎。 听听新的歌手和他们的音乐。这样算法就可以更好地学习你的行为模式。 提供你的年龄和位置信息——要是你不介意的话。Spotify 会根据用户的年龄和地理位置推荐不同的音乐类型。 如果你不想 Spotify 注意到你的行为，可以使用「私密模式」。 最后，保持耐心。算法在设计中会忽略新的收听行为中一些迅速的、突然出现的峰值，因为许多人会分享他们的 Spotify 登录信息。因此新的收听活动可能不会立刻导致你的播放列表变化。
0608.
盐吧语音直播话题
大山子编辑部 | 广阔县城 大有可为，你为什么不回去？
数字技术不断下沉，给了低线城市、乡镇改造升级的机会。比如电商带动了几千万农民成为电商从业者；近 4 万小镇青年回到家乡做起无人机飞行员和飞行员培训师。
在城市内卷现象愈发严重的今天，你愿意去小城寻找机会吗？
6 月 8 日晚 8 点，极客公园音频直播节目「大山子编辑部」第 29 期，我们将一起来聊聊这个话题，如果你感兴趣，欢迎加入讨论。👉
0609.
视频号直播主题
特斯拉「卖碳」赚了 16 亿的事为人津津乐道，蔚来「卖碳」也已获得上亿收入。卖碳积分难道是新能源车企致富之路吗？燃油车企的这部分成本要怎么消化？会不会转嫁给消费者？买油车要交「碳积分」的钱吗？
6 月 9 日晚 8 点，一起来极客公园直播间聊聊。我们邀请到了人大重阳研究院助理研究员赵越，对碳中和领域有研究经验的他将和我们聊聊碳中和趋势下，碳积分制度是怎么影响汽车市场的，又会怎么影响到千家万户的车主。未来电动车真的会完全取代燃油车吗？会的话是多少年呢？
如果你也对这个话题感兴趣，想表达，欢迎一起连麦。
扫描下方二维码或添加极客君微信（ID：geekparker）发送口令「直播讨论」，进入【头条实况群】，抛出你的观点、疑惑和脑洞，直播间没说完的内容来群内继续聊，极客君等你来！极客公园 GeekPark 原创文章