夯实AI基础，聚焦行业实践

013年4月正式上线以来，网易云音乐凭借UGC社区、UGC歌单、精准推荐三大特色产品，成为了音乐爱好者的集聚地。

网易云音乐推荐系统致力于通过AI算法，实现用户千人千面的个性化推荐，为用户带来不一样的听歌体验。虽然与其他推荐一样，都是以用户体验为导向，帮助用户更快捷的获取资源，但是，音乐推荐有着不同的特点和难点。

首先，由于音乐本身的复杂性，要求系统要更好地理解音乐。网易云音乐的做法是利用NLP系统，通过用户在社区自发产生的内容去描述音乐，这样不用听就可以得到这个音乐的大概画像。新的音乐则利用视频、图像技术，实现音乐之间相关的研究工，音乐推荐的消费成本高，强调关联性也很强，更加要求有合适的模型去表达用户的需求。LR模型的可解释性强，但是表达能力有限。树模型，以及LR和树模型的结合，优点是可以解决部分非线性问题。大规模FTRL的优点是可以获取记忆类特征，刻画能力强。缺点是特征维度大、需要的样本量多、计算复杂。此外，还有表达能力强的深度神经网络，能学习到时序特征，刻画能力+泛化能力强的深度时序网络。 从线性模型、树模型，到大规模FTRL、深度神经网络，再到深度时序网络，网易云音乐通过模型迭代实现更精准的表达用户需求。

肖强指出，音乐消费中，因为用户需求的复杂性，很难用单一目标去衡量音乐推荐系统，往往遇到CTR & 消费时长，不是同步提升，甚至此消彼长，以及多目标问题。网易云音乐用联合训练来解决多目标问题。联合训练的优势主要有四点：一是多个目标任务在浅层共享表示，任务之间加入噪音数据，降低网络过拟合，提升了泛化效果。二是多目标任务学习中不同任务的局部极小值处于不同的位置，通过相互作用，可以帮助逃离局部极小值。三是多目标任务联合训练，模型尽可能求解多任务的共同的解决方法。四是窃听。通过联合训练，音乐的收藏率和消费时长都明显提升。

在音乐场景下的AI思考部分，肖强表示，音乐推荐要解决的是在亿万用户 * 千万歌曲 * 十万音乐人 * n种情景的四维空间的匹配问题。推荐系统的核心目标是利用人工智能提升用户体验。包括用户愿意分享音乐、愿意长时间听音乐、愿意收藏及反复听收藏的音乐、用户听过的歌曲越来越多。网易云音乐的AI推荐体系是知识图谱和统计学习、强化学习的结合，用强大的长尾发掘能力和精准的匹配能力，让用户更好的发现音乐。

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!