作為一個正在學習機器學習的大學生來說，這個問題正是我們所研究的，本人是在一家做PHP開發的公司裡實習，但最近老師要做一個語音識別導航的課題，要用Python和perl去實現，所以我就研究了一下Python和機器學習，作為練習，老師還讓我們一起做阿里天池賽，其中就有使用阿里星球裡6個月內五百萬條使用者使用記錄，和一萬條歌手記錄，基於大資料去分析未來幾個月會比較火熱的歌手，可能有同學說Java也可以做大資料，我開始也是一直做Java的，覺得Java很棒，但在接觸了Python以後，真的覺得使用Python處理資料特別簡單，給人感覺很舒服，沒有Java那麼多的套路，更沒有c++那麼繁瑣，作為一個程式設計師還是很推薦大家學一學的，當然，扯遠了，我們先用Python對資料對所有資料進行處理，在打點分析，根據評估函式做出分析，當然還有好多，懶得打了，如果回答沒被摺疊就再補充吧

這個問題分為兩個步驟，需要三個演算法模組

第一個步驟叫做召回 - recall，第二個步驟叫做排序 - ranking

三個演算法模組分別為1 使用者畫像模組 2 歌曲(歌單)畫像模組 3 推薦演算法模組

兩個步驟指什麼含義？

召回，就是指從海量的音樂(比如1000w首歌)中篩選出一個比實際推薦的歌單略大的音樂集合。比如每日推薦推薦20首歌，那麼我可能需要召回1000首歌。

怎麼召回呢？ 這就涉及到第一個和第二個演算法模組。

使用者畫像描述了你的屬性，比如年齡、性別、喜好語言、喜好音樂風格、不同時間的聽歌喜好、最近一個月的聽歌喜好。

這個模組主要是機器學習演算法，透過一系列你填過的資料和實際的行為資料來做的預測。

歌曲畫像描述了歌的性質，比如在哪些歌單裡、歌的標籤、歌的內容、歌詞、風格、長度、甚至是節奏人聲等資訊。

有了這兩個模組，我們怎麼召回呢？召回策略其實有很多，舉幾個例子，大家可以自己發散

1 根據使用者最近聽過的10首歌曲，找出資料庫最相似的500首歌曲

2 根據使用者聽歌的時間、地理位置、天氣，召回使用者可能最喜歡聽的歌曲

3 根據使用者的風格喜好，召回這個風格最熱門的歌曲

4 直接召回音樂排行榜排名最高的歌曲

這樣透過許多的召回策略，我們就可以得到使用者可能喜歡的歌曲候選集合了！yeah！

但是還沒完，我們使用者可能只能聽其中的3-5首歌曲，我們的歌單裡只放得下20首歌曲，

如何精準命中使用者的喜好？？如何從1000首曲子中選5首？

這就涉及到第二個步驟，以及全部的演算法模組。

這裡有很多的模型和數學知識可以應用，展開來講可以講10節課。但是推薦排序有三個核心思路是總體不會變的。

1、基於內容的推薦（content-based filtering）。學術上一般content-based是特指音訊內容本身的，比如透過CNN提取出音樂的節奏、人聲特點。針對使用者對這些音訊特徵的喜好直接進行推薦。

2、基於協同過濾推薦（collaboration filtering）。這個就是利用他人對歌曲的行為資訊，來判斷你有多可能喜歡這首歌曲。比如你手機裡的歌都是你舍友推薦給你的，你也愛聽，那麼如果有一天你舍友覺得一首新歌不錯，被網易雲音樂知道了，那網易雲音樂會給這首歌比較高的推薦值。

3、社會化推薦（social recommendation）。基於社交資訊的推薦，物以類聚，可能你所在的這個音樂小群體最近都很喜歡一首新歌，那麼推薦演算法會認為你很有可能也喜歡這首歌。

經過複雜的推薦模型，其實我們還有一個邏輯環節需要判斷！就是某些歌你是不是會比較討厭？比如夜深人靜的時候我不想聽動次打次的歌，那麼演算法就要透過規則把這些你會討厭的歌過濾掉。

最後我們就得到了熱乎乎的網易雲音樂日推歌單~~~~贊一個~~~