網易雲音樂、豆瓣fm等音樂應用的推薦機制和網路購物的“猜你喜歡”、新聞app的“推送”：前期依靠使用者畫像（地域、年齡、職業等）和流行趨勢猜你的品味，後期側重你在平臺內的行為資料畫出你在音樂領域的偏好，以此進行推薦，兼顧流行趨勢、使用者畫像、音樂關聯資料等因素。
基本上也就是列出決定你音樂品味的各項因素，然後分配權重，為候選歌曲打分推送給你。比如你就喜歡在豆瓣fm聽韓流，那麼推送給你的歌曲肯定韓流居多。
這時候決定”推薦的歌曲是否好“取決於一個原因：每個成熟平臺（根據使用者行為不斷進行調整，當然需要時間）的權重演算法一定符合多數使用者的品味，就看你是否在這個”多數使用者“的範圍內。
從這個角度來看，推薦演算法其實很少有好壞之說。這時候評判標準又變成了：
1、權重演算法是否根據使用者行為及時調整；
2、使用者自己的品味。
以前經驗不足的時候我也做過推薦，不過都是根據自我出發意淫出來的排序。曾經我做音樂推薦的時候一直有個念頭：與其讓使用者聽流水歌，不如帶使用者發現一首好歌，這樣的驚喜更大。
這時候面臨的困境是要麼扒別人的資料（在別的平臺證明過的好歌，小範圍流行的音樂），要麼自己辨識。且不說具備辨識品質的難度，單就是”引領品味“這件事就困難無比。所以理解使用者往往比改變使用者要安全的多。
從這個角度來看，不能搜尋、單純依靠推薦的豆瓣fm由於缺少使用者”搜尋，然後聽音樂“這個重要緯度（使用者的品味是在不斷變化，只依靠喜歡、不喜歡等緯度是不可能有效捕捉使用者變化的）。所以在其他資料都相同的情況下，由於網易雲音樂多出”搜尋聽歌“這個資料，就推薦演算法而言，網易雲音樂應該會做得更好，也必須做得更好，不然他們的產品經理就是笨蛋了。
但是豆瓣fm勝就勝在我前面說的“帶使用者發現一首好歌帶來的喜悅遠遠大於自己搜尋所得”，走的是電臺的路線，這比播放器就多了一份驚喜。推薦演算法可不是網易雲音樂的重點，只不過是附屬功能而已。
補充：以前想的方向有偏差，就音樂領域而言，根據使用者畫像推薦只能是大方向，比如各個年齡層的不同偏好。前期最關鍵的應該是根據歌曲之間的關聯度進行推薦，比如喜歡李健的歌，那就給你多推薦相似歌手的音樂。後期的推薦這個比重也會佔很重要的位置，這樣一來就成了誰家的音樂資料庫更全更好了。
推薦是匹配的活，不僅要考慮人，也要考慮音樂、商品，這是雙方相互磨合的過程。
網易雲音樂、豆瓣fm等音樂應用的推薦機制和網路購物的“猜你喜歡”、新聞app的“推送”：前期依靠使用者畫像（地域、年齡、職業等）和流行趨勢猜你的品味，後期側重你在平臺內的行為資料畫出你在音樂領域的偏好，以此進行推薦，兼顧流行趨勢、使用者畫像、音樂關聯資料等因素。
基本上也就是列出決定你音樂品味的各項因素，然後分配權重，為候選歌曲打分推送給你。比如你就喜歡在豆瓣fm聽韓流，那麼推送給你的歌曲肯定韓流居多。
這時候決定”推薦的歌曲是否好“取決於一個原因：每個成熟平臺（根據使用者行為不斷進行調整，當然需要時間）的權重演算法一定符合多數使用者的品味，就看你是否在這個”多數使用者“的範圍內。
從這個角度來看，推薦演算法其實很少有好壞之說。這時候評判標準又變成了：
1、權重演算法是否根據使用者行為及時調整；
2、使用者自己的品味。
以前經驗不足的時候我也做過推薦，不過都是根據自我出發意淫出來的排序。曾經我做音樂推薦的時候一直有個念頭：與其讓使用者聽流水歌，不如帶使用者發現一首好歌，這樣的驚喜更大。
這時候面臨的困境是要麼扒別人的資料（在別的平臺證明過的好歌，小範圍流行的音樂），要麼自己辨識。且不說具備辨識品質的難度，單就是”引領品味“這件事就困難無比。所以理解使用者往往比改變使用者要安全的多。
從這個角度來看，不能搜尋、單純依靠推薦的豆瓣fm由於缺少使用者”搜尋，然後聽音樂“這個重要緯度（使用者的品味是在不斷變化，只依靠喜歡、不喜歡等緯度是不可能有效捕捉使用者變化的）。所以在其他資料都相同的情況下，由於網易雲音樂多出”搜尋聽歌“這個資料，就推薦演算法而言，網易雲音樂應該會做得更好，也必須做得更好，不然他們的產品經理就是笨蛋了。
但是豆瓣fm勝就勝在我前面說的“帶使用者發現一首好歌帶來的喜悅遠遠大於自己搜尋所得”，走的是電臺的路線，這比播放器就多了一份驚喜。推薦演算法可不是網易雲音樂的重點，只不過是附屬功能而已。
補充：以前想的方向有偏差，就音樂領域而言，根據使用者畫像推薦只能是大方向，比如各個年齡層的不同偏好。前期最關鍵的應該是根據歌曲之間的關聯度進行推薦，比如喜歡李健的歌，那就給你多推薦相似歌手的音樂。後期的推薦這個比重也會佔很重要的位置，這樣一來就成了誰家的音樂資料庫更全更好了。
推薦是匹配的活，不僅要考慮人，也要考慮音樂、商品，這是雙方相互磨合的過程。