AI算法在网易云音乐的应用

（一）AI应用的整体架构如下所示：

下面是推荐系统体系的整体架构：

音乐推荐  vs  其他推荐：

相同点：

1. 帮助用户更快捷的获取资源；
2. 以用户体验为导向；

差异点：

1. 音乐本身的复杂性，怎么理解音乐资源；
2. 可重复消费 vs 不可重复消费；
3. 音乐消费成本高，前后有明显的关联性，有效行为的含义更丰富；
4. 很难用单一目标去衡量音乐推荐系统；

下面是应用NLP技术理解音乐：

以下是应用视频+图像+卷积技术理解音乐：

（二）AI应用-音乐推荐中的CF：

传统推荐系统相似度计算：

1. 余弦相似度；
2. Jaccard；

（三）AI应用-排序模型：

音乐的高消费成本、前后高关联特性更加要求有合适的模型去表达用户的需求。

（四）AI应用-多任务MTL

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。

遇到问题：

CTR&消费时长不是同步提升，甚至此消彼长。

那么怎么解决多目标问题呢？

效果：收藏率和消费时长都明显提升。

联合训练的优势：

1. 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；
2. 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；
3. 多目标任务联合训练，模型尽可能求解多任务的共同最优解；
4. 窃听。

音乐推荐  vs  其他推荐：

差异点：

（1）音乐本身的复杂性，怎么理解音乐资源? 利用NLP、视频、图像技术去理解音乐；

（2）可重复消费 vs 不可重复消费。利用音乐消费特性，去智能分析歌曲的关联性；

（3）音乐消费成本高，前后有明显的关联性，有效行为的含义更丰富。利用复杂的AI模型去研究听歌的序列关联性；

（4）很难用单一目标去衡量音乐推荐系统。利用MTL技术，去解决用户的多样需求。

最后，对ios以及大数据感兴趣的朋友可以关注“大数据及ios开发”公众号或者加小编微信进群交流。

END：

推一本小编近期要上的一本书《Hive数据仓库企业级应用》