互聯(lián)網(wǎng)已逐漸成為數字多媒體資產(chǎn)（數字音樂(lè ),數字電影…）的存儲和分發(fā)中心。雖然互聯(lián)網(wǎng)的結構能使用戶(hù)方便的獲得內容，但這些內容資源需要有強有力的管理、檢索和呈現工具的支持，數字音樂(lè )內容當然也不例外?；谟脩?hù)音樂(lè )口味的個(gè)性化音樂(lè )內容推薦是當前最熱門(mén)的應用方法。而同時(shí)音樂(lè )作為與朋友交流關(guān)于個(gè)性、歷史、文化等重要的媒介，所以很多音樂(lè )服務(wù)中往往會(huì )融入SNS的應用。
用戶(hù)特征描述
音樂(lè )內容本身有一定的文字信息（專(zhuān)輯的簡(jiǎn)介、音樂(lè )人的生平….等），但這些信息很難直接與音樂(lè )文件相關(guān)聯(lián)。一般的音樂(lè )社區會(huì )要求用戶(hù)建立自己的Profile作為分析用戶(hù)音樂(lè )口味的最基本要素，這也更利于SNS的融合。像FOAF就是一種常用的方法。
“朋友的朋友”（Friend-of-a-Friend (FOAF)），FOAF 是一種 XML/RDF詞匯表，它以計算機可讀的形式描述用戶(hù)放置在類(lèi)似個(gè)人主頁(yè)上的個(gè)人描述之類(lèi)的信息。FOAF也是一種創(chuàng )建支持在線(xiàn)社區的信息系統的有用構件。
音樂(lè )推薦系統的目標是基于用戶(hù)的音樂(lè )口味向終端用戶(hù)推送喜歡和可能喜歡但不了解的音樂(lè )。而音樂(lè )口味和音樂(lè )的參數設定是受著(zhù)用戶(hù)群特征和用戶(hù)個(gè)性特征等不確定因素影響。例如年齡、性別、職業(yè)、音樂(lè )受教育程度等的分析是能幫助提升音樂(lè )推薦的準確度。部分因素它是可以通過(guò)使用類(lèi)似FOAF的方法去獲得。但要使這個(gè)描述對推薦系統有最大的價(jià)值，設計描述的字段也是有一定的難度。同時(shí)驅動(dòng)用戶(hù)更主動(dòng)的去填寫(xiě)盡可能多的信息對互聯(lián)網(wǎng)運營(yíng)來(lái)說(shuō)也是一個(gè)挑戰。
音樂(lè )信息的呈現
音樂(lè )推薦系統的其中一個(gè)重要特征是使用戶(hù)具有動(dòng)態(tài)獲得新音樂(lè )和相關(guān)信息的能力，也就是說(shuō)用戶(hù)能在使用的過(guò)程中不斷能發(fā)掘新的音樂(lè )。部分非點(diǎn)播類(lèi)音樂(lè )網(wǎng)站采用RSS的方法去推送，將這些新音樂(lè )信息推送給用戶(hù)。RSS的內容聚合功能還能將音樂(lè )新聞、音樂(lè )事件（演唱會(huì )活動(dòng)）、新專(zhuān)輯信息、專(zhuān)輯簡(jiǎn)介等音樂(lè )相關(guān)信息聚合。iTunes音樂(lè )商店提供了每周更新一次的RSS feed，向用戶(hù)推薦新發(fā)布的新專(zhuān)輯。
這種結合RSS的方法能有效的挖掘用戶(hù)對音樂(lè )的深層次需求，以提高對網(wǎng)站服務(wù)的粘性。用戶(hù)在音樂(lè )的需求并非只是欣賞，音樂(lè )學(xué)習、音樂(lè )交流、參與音樂(lè )會(huì )….都會(huì )是相關(guān)的需求。
音樂(lè )個(gè)性化推薦系統
常規的音樂(lè )個(gè)性化推薦系統常用的實(shí)現方法有兩種：分別是協(xié)作過(guò)濾與內容過(guò)濾。
一、協(xié)作過(guò)濾方法是通過(guò)用戶(hù)的回饋分析實(shí)現音樂(lè )推薦系統的不斷優(yōu)化。這些回饋又可分為顯性和隱性?xún)深?lèi)。顯性的數據比如用戶(hù)對音樂(lè )的評分、評論、收藏等，而隱性的則是用戶(hù)的音樂(lè )行為習慣的收集。協(xié)作過(guò)濾的問(wèn)題是需要面對海量數據的處理、無(wú)效數據的過(guò)濾（包括Spam的剔除）等等。另有一個(gè)缺陷是很難實(shí)現一種創(chuàng )造性音樂(lè )類(lèi)型的推薦，也就是說(shuō)有一個(gè)新音樂(lè )如果與其他音樂(lè )有極低的相似性或者沒(méi)啥相似性，那么系統就很難把這個(gè)新音樂(lè )向用戶(hù)推送出去。
這種方法的優(yōu)勢是比較直觀(guān)和降低專(zhuān)業(yè)門(mén)檻。作為網(wǎng)站來(lái)說(shuō)，應該具有深刻理解內容的團隊，但畢竟音樂(lè )是門(mén)綜合的藝術(shù)，要組建一支熟悉各種音樂(lè )類(lèi)型、音樂(lè )文化背景和歷史的團隊也絕非易事。它常用的具體手段是：
亞馬遜的音樂(lè )推薦、Last.fm的Audioscrabble、MusicMobs等都是采用此類(lèi)方法，有興趣的朋友可以去琢磨一下開(kāi)源的irate音樂(lè )推薦系統。
二、內容過(guò)濾方法是通過(guò)提取音樂(lè )內容本身的信息和結合音樂(lè )元數據的分析，然后根據與用戶(hù)音樂(lè )口味的差值比較去呈現最接近的音樂(lè )。音樂(lè )元數據分析也就是給每首歌曲添加標簽，這些標簽可能包括音樂(lè )的調性、速度、節奏…..等等。
這種方法的弊端是需要大量專(zhuān)業(yè)的人工完成，分析的結果受這些專(zhuān)業(yè)人員一定程度上的主觀(guān)因素影響，而且本身元數據的分類(lèi)和分級設計是一項非常專(zhuān)業(yè)的工作。這可能也是采用這種方法的網(wǎng)站相對較少的原因。
這種方法最大的有利之處就是解決了協(xié)作過(guò)濾中新音樂(lè )推薦的問(wèn)題。潘多拉音樂(lè )服務(wù)是最典型的內容過(guò)濾，據稱(chēng)是采用了200多種音樂(lè )元數據。
三、一定的內容過(guò)濾結合協(xié)作過(guò)濾被認為是既能解決以上二種方法的弊端，又能發(fā)揮它們的優(yōu)勢的辦法。
其他
隱私保護：個(gè)性化信息獲得的同時(shí)也觸及了用戶(hù)的個(gè)人隱私，那么如何保護用戶(hù)的個(gè)人隱私也是系統需要解決的關(guān)鍵問(wèn)題。
Mashup應用：調用其他相關(guān)類(lèi)網(wǎng)站的API以豐富內容，例如國外很多網(wǎng)站采用Mashup去調用Upcoming.org的演唱會(huì )信息。
總結
個(gè)性化音樂(lè )推薦系統是“音樂(lè )2.0”最常用的工具，也是實(shí)現音樂(lè )長(cháng)尾模式的方法。對于數字音樂(lè )服務(wù)來(lái)說(shuō)，無(wú)論是音樂(lè )下載服務(wù)，還是互聯(lián)網(wǎng)音樂(lè )電臺服務(wù)，都需要有優(yōu)秀的內容推薦系統去輔助。整個(gè)系統的大致流程是：從用戶(hù)的個(gè)人描述估算用戶(hù)的音樂(lè )興趣—->收集用戶(hù)的音樂(lè )收聽(tīng)習慣（內容的分析）——>數據比較分析（相似樂(lè )隊和相似用戶(hù)的計算）—–>推送近似用戶(hù)興趣的樂(lè )隊和歌手的音樂(lè )及相關(guān)信息。
聯(lián)系客服
