本文来自微信公众号“音乐先声”（ID:nakedmusic），作者：鲁修修，编辑：范志辉，虎嗅经授权发布，头图来自：视觉中国
从杂志、报纸上的乐评专栏，到音乐流媒体上的用户评论、算法推荐，人们听歌的选择方式一直处于私人化和公开化之间。
近期，音乐软件Plexamp又进行了一次大规模的升级，其中最受关注的，当属新功能“Super Sonic”的上线。据Plex介绍，这款只针对会员用户的新功能将利用庞大的神经网络，从“声音”上对用户歌单中的歌曲进行分析，完成新内容的个性化推荐。不过，这一功能“更新需要占用大量的CPU，可能要花费您数小时甚至数天的时间。但一旦更新完成，将带给您全新的音乐体验。”
其实，以歌曲本身的要素作为标签，并对歌曲进行分类，“Super Sonic”的个性化推荐思路似乎没有创新，利用人工智能对歌曲进行分析也并不新鲜。而从Pandora、Spotify到QQ音乐、网易云音乐，国内外音乐流媒体平台的推荐系统已发展了20年。
长期以来，“国内推荐系统的体验不如国外”的声音一直层出不穷，如今“Super Sonic”横空出世，又掀起了新一轮关于个性化推荐的讨论。时至今日，“国外的推荐系统好在哪里”这个老问题，是否有了新的答案？
算法推歌20年
互联网音乐电台Pandora推出的“音乐基因组计划”，是最早向用户个性化推荐歌曲的系统。
2000年，Pandora把一群音乐家和音乐技术人员聚在一起，他们从流派、节奏、风格等多方面来给歌曲贴“标签”，然后过滤这些标签，以达到分类的效果，最后把不同类型的歌曲推送给自己的用户。彼时，Pandora给歌曲贴的标签，基本上取决于音乐家的个人理解，而人工分析一首歌，往往需要15~30分钟的时间。
要实现对用户的个性化推荐，除了对内容的精准描述外，精准的用户画像也同样重要。
2018年，Spotify申请的一项专利被视为其推荐系统2.0版本到来的标志。据悉，这项专利是一项音频信号处理技术，能够对用户的语音内容和背景噪音进行处理，以得到用户的情绪状态数据。再加上对年龄、性别、地区等传统数据的综合分析，Spotify将为用户提供更为精准的推荐内容，“把推荐技术提升到一个新的水平”。
与Spotify和Pandora试图去深刻理解用户不同，刚刚上线的“Super Sonic”并没有在用户画像上下功夫——这款仅针对Plex付费用户推出的功能，只是为了推荐用户可能喜欢的歌曲。“Super Sonic”将一首歌曲的“声音”从旋律、节拍等50多个维度进行分解，根据分析结果，歌曲们被放进了一个以歌曲特性为坐标轴的N维空间中，并用不同的点表示。在N维空间中，两个点越接近，它们代表的歌曲就越“相似”。
50维空间中的计算需要极大的计算量，这或许是在安装“Super Sonic”时需要耗费数小时甚至数天时间的原因。
尽管运作系统十分庞大，但“Super Sonic”并未带来多少新意。对歌曲本身进行分析，这与Spotify的音频分析模型的想法不谋而合；而通过寻找两个相近的“点”来召回歌曲，则是协同过滤模型中常用的求解思路。
不过，与各位“前辈”相比，“Super Sonic”也有着自己的亮点——它完全摆脱了对元数据的依赖。尽管Spotify的音频分析模型也只对歌曲本身进行分析，但最终被端上用户餐桌的，是由多个模型共同决定的内容。直观来看，“Super Sonic”这种“不加以辨别”的推荐方式，意味着独立音乐人有更多被听见的可能，也给听众带来了更多新的探索。
国内平台是怎么做算法推歌的？
众所周知，用户对音乐的反馈越多，个性化推荐的内容越精准。其实这是一种双向互动的过程——推荐系统学习到用户喜好，用户也借助算法工具实现了对自己潜在音乐喜好的探索。
在这种推荐系统与用户的双向互动中，“标签”是推荐歌曲最重要的依据。无论是Pandora“音乐基因组计划”还是Spotify的三种算法模型，核心目的都在于给一首歌曲贴上足量且准确的“标签”。
在标签的解读上，QQ音乐的推荐系统给出了一些新的思路：在标签系统中加入了视觉元素，从音视频和艺人的角度对歌曲进行拆解；流派方面，综合国情，除了通行的“电音”“说唱”等流派划分外，还加入了“国风”“城市民谣”“大众流行”等中国特有的“标签”。
它还建立了歌曲的“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个性化推荐板块（个性电台、每日30首等）。
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。”
2016年，剑桥分析公司通过小测试的形式获取了5000万Facebook用户的个人信息，进行心理学分析后，其通过社交媒体向这些用户“个性化推荐”有利于特朗普竞选的内容。据统计， 在民众没有察觉的情况下，这些推荐内容潜移默化地影响了全美至少四分之一的潜在选民。
由于在面对不同的互联网产品时，用户有着不同的行为表现，因此整合不同平台推荐系统刻画出的用户画像，必然会使用户画像更为形象立体。但这同样就会带来侵犯用户隐私的问题——不同平台的合作势必要对用户身份进行关联，打破利用用户信息与侵犯用户隐私间微妙的平衡。
而如果不能解决“推荐与隐私的悖论”，用户将永远无法安心地享受技术带来的便利。8月27日，国家互联网信息办公室发布的关于《互联网信息服务算法推荐管理规定（征求意见稿）》就提到，算法推荐服务提供者“不得将违法和不良信息关键词记入用户兴趣点或者作为用户标签并据以推送信息内容，不得设置歧视性或者偏见性用户标签”，同时，“应当向用户提供不针对其个人特征的选项，或者向用户提供便捷的关闭算法推荐服务的选项”，以保护用户的合法权益。
从Pandora、Spotify到QQ音乐、网易云音乐，我们也会发现，只要给到足够丰富的内容标签和用户画像，算法推歌就可以无限趋近于真实甚至惊喜的听歌需求。就目前国内外的个性化音乐推荐体验差距来说，技术本并不是最关键的要素，而在于一个时间积累的用户数据“投喂”，以及更好的创作者生态与用户审美。
当然，在被动享受算法推歌的技术便利时，如果我们能够保持自主发现好音乐的习惯，或许能够更真实地体验到听歌的乐趣，在赛博世界多一些仪式感。