一、qq音乐个性电台
1、今天的分享就到这里,谢谢大家。
2、这种方式的引入,也解决了歌曲Top份额上的一些问题,大概有2%的热门下降,热门的推荐问题也有所改良。
3、在QQ音乐场景,80%以上用户听两个以上流派,47%以上用户听两个以上语言歌曲。如何更加精准的挖掘用户听歌序列的多兴趣,甚至小众的听歌兴趣,重要。
4、第二部分是多兴趣提取模块(Multi-interestextractor),基于用户序列的多兴趣提取模块,也是模型的核心,MIND利用胶囊网络进行多兴趣提取,和普通神经元不同的是,胶囊神经元的输入和输出都是向量而非标量;
5、其次,目标群体的固有属性比较稀缺,除去音乐本身的画像,其他属性仅有用户填写的少量人口统计学信息。在行为层面,即用户的互动层面,完播和切歌是主要的操作行为,也有收藏、拉黑、关注以及加入自建歌单等其他操作。
6、A:音频特征是有加到排序模型里面的,在QQ音乐排序模型里面大量运用了音频特征。前面也提到了,在音乐场景里面,音频是比较关键的特征,能在一定程度上表现出用户的兴趣。
7、
8、刚才讲的是深度模型召回样本的选择。对于普通的单点召回,这部分主要是怎么去建图模型。图模型的建立目前主要是利用用户自建歌单,这部分数据可能有上十亿的数据,基于歌曲在歌单的共现情况,以及歌曲和用户的互动情况,可以构建大的图模型。基于上述方式构建图模型后,就可以使用各种图模型对节点进行表征了。
9、
10、后一部分是OnlineServing模块,线上分为多个兴趣向量进行近邻检索,每个索引集合都是用户某个兴趣的聚类,也就是用不同的UserEmbedding去线上索引出用户不同的兴趣簇类。
11、
12、用户属性稀缺,冷启动相对困难。
13、免费福利:
14、踏春行音乐电台,
15、酷狗:
16、联邦迁移学习,主要是做特征的联合,用户和业务均不相似,特征和用户的重叠都比较少。
17、同时支持在线音乐和本地音乐的播放,是国内内容丰富的音乐平台。其独特的音乐搜索和推荐功能,让您可以尽情地享受流行,火爆的音乐。
18、
19、基于上面的分析结论,音频embedding也用在了QQ音乐单曲推荐的多个场景召回中。例如:使用音频相似做单点召回,提升了用户的惊喜感,用户的收藏行为有明显增加。前段时间大热的火星哥的LeaveTheDoorOpen,通过以音频相似来召回Peaches或者WalkonWater这一类歌曲。在没有其他协同信息的情况下,挖掘歌曲的音频表征也有助于冷启动分发。
20、二者的软件特色的不同
二、qq音乐个性电台怎么关闭
1、Q3:多兴趣的召回,每个兴趣数的召回数量怎么选?
2、往期精选
3、QQ音乐播放器是一款带有精彩音乐推荐功能的播放器。
4、3月26日,由QQ音乐与滴滴出行联合发起的“踏春行音乐电台”正式登陆滴滴出行APP,同款“春日歌单”也在QQ音乐APP上线。这是一次头部音乐平台与头部出行产品的跨界合作,也是QQ音乐一次基于“车轮时光”的场景营销探索。
5、序列与多兴趣召回,主要是为了挖掘序列中时间和空间的特性,以及用户的多兴趣表征。
6、
7、
8、靠谱少年隋佶辰在本周又回到了TOP10榜单中~这首歌曲用轻松的词曲为我们勾勒了一个充满阳光的梦~这时的梦快醒了我有点舍不得,但真的该起床了。这种状态像不像工作日的早晨大家的真实写照,不要太慌张,早点起床认真过好每一天~
9、除了MIND使用胶囊网络的方式进行多兴趣提取以外,目前业界还有基于Self-Attention的多兴趣表征方法。区别主要在于神经元类型、权重分配方式以及权重的更新方式。下图中可以看到,左图胶囊网络权重的分配概率,是在上一层的所有胶囊中进行归一化;而在右图里面,每个注意力头独立的处理其输入。
10、联邦学习召回方法
11、坐拥8亿用户的QQ音乐,也是在线音乐平台中版权多的音乐平台。无论是《歌手》、《明日之子》,还是《热血街舞团》、《中国好歌曲》,时下热门的综艺节目的授权歌曲live版本,总能第一时间出现在QQ音乐的曲库中。
12、挖掘音频召回的方式,为用户召回“听感相似”的歌曲;
13、
14、酷狗:主界面包括“乐库”、“电台”等七个菜单项。
15、优化2:对于问题在第二层也就是动态路由层的参数,Routinglogits采用每个新样本重新初始化的方式进行更新,以这种方式进行优化,歌曲Embedding的聚类有明显的改良,而MIND结合sideinfo以及ModifiedDR路由方式,在Hitrate@200的指标上可以达到2%的结果,这个结果相对于前两个多兴趣baseline有一个明显的提升。
16、使用Song2vec的方法进行建模,上图中展示了目标函数。可以看到在Song2vec的基础上,添加了关系的学习,其中伽马因子表示当前关系能够融合到模型里面的程度。
17、问题一:用户的听歌行为存在一个序列关系,特别是在推荐的场景里面,除了包含位置信息,还包含了行为发生的时间影响,即同时存在时间和空间关系;
18、有粉丝评论这首歌“有人听了想去酒吧,有人听了想去丽江,有人听了想要结婚,有人听了只想发给另一个人”嗨.今晚,你那里夜色怎么样,你…是不是又想他了?
19、在去年《互联网周刊》&eNet研究院联合发布的2017网络音乐平台排行榜中, QQ音乐位列榜首,DCCI(互联网数据中心)调查显示,QQ音乐在各个年龄层的用户占比都远超其他音乐平台,在00后中使用率甚至接近7成,达到7%。
20、QQ音乐通过贴心的设计、良好的体验、曲库、新的流行音乐、专业的分类、丰富的空间背景音乐、音乐分享等社区服务,让QQ音乐成为中国网民在线音乐生活的首选品牌,引领着人们的音乐生活方式。
三、QQ音乐个性电台和雷达
1、步骤如下:
2、大数据典藏版合集PPT电子书下载!
3、Q2:在音乐场景下怎么去平衡一个用户的长短及兴趣?
4、在新歌冷启动和歌曲投放召回里面,QQ音乐利用音频向量对用户的音频偏好以及歌曲音频表征进行处理,利用歌曲的音频表征进行候选歌曲的召回,再利用用户的音频偏好作为特征进行排序,也取得了不错的效果。
5、跨界背后,是无处不在的QQ音乐之力
6、在音乐出行的背后,是一场基于音乐的场景化营销的探索。事实上,QQ音乐早已开启了对线上线下的场景平台搭建与跨界营销模式的探索。去年,QQ音乐发布了“智慧声态”战略,提出将新娱乐场景覆盖从线上到线下、从内容到用户、从软件到硬件的多维度泛音乐“声态圈”。在去年5月,QQ音乐与摩拜单车以“音乐骑行,一路有音乐”为主题,共同打开了跨界场景营销的大门。
7、A:我们做了线上的实验,首先是每个兴趣的个数怎么选,这部分在离线实验的时候,对比不同超参,确定不同设置对Hitrate的影响。一般来说,K选的多一点,多样性就会好一点;K值过大,准确性会下降。在线上的时候有多种选法,比如:现在有三个簇,每个簇都召回50首歌,即150首歌,对每个簇的Quota分配都是公平的;另一种做法是每个簇多召回一些歌曲,然后做个排序,截断150首。这里面权重大的簇,露出就会多一点,弱势一点的簇露出个数就会少一点。
8、
9、
10、Q4:音频特征相关的内容
11、上面介绍的方式都是基于纯音频的表征,那是否可以联合用户的行为进行metriclearning呢?通过实践,我们提出了User-AudioEmbedding建模方法。user部分是利用深度模型计算的40维userembedding。audio部分的模型改用用户喜欢的一首歌和用户不喜欢的n首歌,与40维的userembedding做metriclearning。训练好的audio部分模型,可对任何音频输入得到40维的embedding。相对于之前提到的单纯audioembedding,融合了user信息的useraudioembedding在音频的召回准确率上得到了进一步的提升,这一点也在MIREX大奖中country,rap/hip-hop/K-pop这三个流派分类的精准度,达到了历史的好成绩。User-AudioEmbedding模型也拿下了MIREX大奖,论文发表在ICASSP上面,有兴趣的同学可以去搜这篇文章看一看。
12、用户听歌行为,噪声比较大。样本如果不做精细的处理和筛选,召回准确性不够好。
13、覆盖包括Billboard中国、看见音乐、着调等优质内容的音乐号,来满足用户对于多元模式的听歌需求, 再通过与用户实现深度互动、打造用户的个性化“关系网”来实现更具备用户个人特色的定制体验。而当定制体验落到出行场景,与滴滴出行合作,也无疑是能够带来不一样的体验。
14、下图是一个双塔的多目标模型,QQ音乐在双塔召回模型的基础上,对模型进行了简单升级,可以结合多业务场景建模。采用MMoE模型对多目标进行学习,左边是user侧,引入了不同的Expert进行学习;右侧是不同业务场景的业务数据,包括QQ音乐的Item侧以及业务X的Item侧。这种联合学习能够把不同域的属性和特点都融合在模型里面,进而更精准地学习用户表征。联邦学习的引入大幅提升用户冷启动的数据,例如:个性电台、每日30首和单曲模块等等,这些入口的冷启动数据都有显著的提升,冷启动的人均时长均有10%左右的显著提升。这里还是要强调:联邦学习完全保护用户隐私,TME严格遵循相关的法律法规,遵循隐私保护的原则,为用户提供更加安全和可靠的服务。
15、
16、联邦学习有三个分类:
17、2
18、8
19、分享嘉宾:
20、酷狗:酷狗科技公司
四、QQ音乐个性电台上滑下一首
1、走过正版化,数字音乐为用户的生活带来了越来越多的可能性。不断加强与智能车载互联、智能音响设备、智能电视等多个领域终端设备展开合作,QQ音乐“MusicYourLife”理念通过全场景渗透将继续打造充满惊喜的完整音乐生活链,除了运动,在咖啡、旅行等不同生活领域的探索也指日可期。
2、横向联邦学习,主要是业务相似或相同,它的特点是特征重合,多做的主要是样本的联合;
3、酷我:主界面包括“歌词mv”、“推荐”等八个菜单项。
4、
5、尽管随着互联网时代的发展,场景营销已经成为一种愈显常见的营销手段,企业们的场景化营销动作也从“单刀直入”的生硬时代迭代升级,演变为真正由内而外、渗透到用户生活的场景化营销。但场景化营销的核心目的仍是将线下场景转化为线上流量,而QQ音乐与滴滴出行的合作,无疑在场景与流量间完成了“双重转化”。
6、
7、qq音乐个性电台不能一起听得解决办法:
8、这首歌是郑景仁在国外生活的时候写下的,那也是他寂寥的时期,我能听到歌声里的美景和愁思,勾勒成一个孤独模样。说这一切都是无止尽的想,不如说这些是现实给的无奈吧!但是,筑梦的路上,我们都孤独。
9、
10、无论是在太古里落地QQ音乐快闪店、高校音乐跑步大赛,还是在春节过后打造的QQ音乐•站,QQ音乐正在通过音乐性,将更多感性的音乐内容融入到生活场景中去,而这些场景几乎囊括了受众日常的“衣食住行”等线下场景,让音乐与用户体验完成无缝衔接,给用户带来完整的场景体验。
11、对于曲库内的歌曲,基于四大类属性检测,比如纯人声、纯器乐、人声加伴奏和其他,以及十大流派检测,比如摇滚、民谣、乡村等,来表征一首歌曲的version和genre,也就是版本和流派。具体是以3秒为一个段落,对14大类的每个特征值,沿时间轴取T个分值,分别计算统计值,包括大、小、均值、方差、峰度和偏度。基于这14大类,提取出右边这样的音频特征,而音频特征就是对应的音频表征(音频向量)。
12、音频召回是音乐场景比较有特点的召回方式,将分两个部分展开讲解。
13、独立音乐人段同愿带着他对音乐一贯认真的态度一路走着,在他看来一个音乐从都到尾都是自己一个人制作的这件事情本身就是一种特别有成就感的事。当然,自己制作自己唱质量也是没得说的~
14、A:首先QQ音乐数据是基于ClickHouse+Superset的OLAP分析计算可视化平台架构,然后结合一些大腾讯组件,QQ音乐也做了一些开源的组件。后面会有介绍自己的机器学习平台,在模型训练层面,以TensorFlow为主要的开发方向。在数据处理上,主要还是Hive这类的大数据处理语言和组件。在整体的服务层面或Serving层面需要C++和Go等技能。这也是腾讯绝大部分业务的方向。
15、10
16、我们对基于Self-Attention方式提取多兴趣也做了不少尝试,实验发现,基于Self-Attention多兴趣模型可以很好地刻画用户在不同的流派和语种上的偏好,推荐的平均热度也相对于Youtube召回有所缓解。左图是某用户每日30首的截图,基于多兴趣挖掘出了用户的三个兴趣:国语流行、英语流行及日语流行。AB实验中完播和收藏提升都是比较明显。以每日30首为例,DAU提升了2%;总播放和收藏渗透率都会有2个点以上的提升;语种和流派多样性也提升了3个点。
17、
18、音乐有丰富的知识图谱,一般是三元组。比如周杰伦演唱了东风破,属于中国风的歌曲,相比于单纯作为歌曲的特征来讲,图谱包含的信息和关系更加丰富,且关系可以进行传递。以自建歌单作为训练样本为例,也就是右图中图谱的引入,相当于将在不同歌单共现的歌曲纵向进行了串联。
19、会是在线音乐市场的一门好生意吗?
20、
五、qq音乐个性电台怎么不见了
1、成立于97年的透明乐队2002年的时候获得了上海亚洲音乐节全国优秀冠军,曾和孙楠、杨坤、李克勤等诸多大咖合作过。爱的感觉是透明乐队较为早期的作品了。放到现在依然很好听,果然好音乐是不会过时的~
2、歌曲Embedding的聚簇效果不是很好;
3、酷我:北京酷我科技有限公司
4、千万量级的正版乐库,业界领先的播放品质,让您跟随新潮的音乐,给您自由探索的空间。
5、
6、本周TOP10的十首单曲已经一一为大家揭晓了~,接下来为大家推荐的新单是来自茶小姐和熊先生的《missyoutonight》。他们是北京胡同里热爱音乐的孩子,他们是茶小姐和熊先生。茶小姐慵懒的嗓音像一杯薄荷茶,在炎热的夏季让你感觉清凉。
7、专访湖泊乐队 |陈小熊|归一|RAINBOW计划
8、我们做了一些实验分析,并得到了一些结论:左上图是推荐给用户的冷启动新歌分布,右上图是对应用户人群的收藏歌曲分布,计算冷启动新歌的完播率与用户收藏歌曲的音频相似度之间的皮尔逊相关系数(具体计算方式列在下面),可以看到左下图是符合正态分布的,我们发现歌曲与用户资产的音频embedding加权相似度与用户听歌完播率的相关系数符合正态分布,从某种程度上说明部分用户听歌行为与音频是敏感的(r_value>0)。
9、以上这些推荐的场景给召回算法带来如下挑战:
10、魔性声波:用户听超品或者无损音乐的时候,魔声音波会针对每首歌曲的节拍、速度、频率、精准计算出现音波,音波会随着不同的歌产生不同的动态变化和艳丽的的色调,实时体现音乐的波谱,帮助用户感受超高音质带来的效果
11、场景化营销
12、在线服务中,Q音塔产出ItemEmbedding,其他业务系统塔产出UserEmbedding;使用ItemEmbedding建立索引,而UserEmbedding通过线上实时Serving预测得到后去做近邻查询。
13、在QQ音乐场景里,我们寻求纵向联邦学习去进一步刻画用户特征。QQ音乐结合其他业务场景的系统数据,联合训练了双塔DSSM模型;其中QQ音乐塔,包含了歌曲相关的属性,包括语种、歌手、版本等;而其他业务系统塔,主要包含用户属性、用户的兴趣偏好,兴趣标签等。
14、基于上面的三个问题,我们提出了以下解决方案:
15、编辑整理:曾新宇对外经贸大学
16、在开始尝试模型的时候遇到了一些问题,比如:
17、活动推荐:
18、纵观互联网在线音乐市场格局,互联网在线音乐市场在经历了版权互授动作后,聚焦点更多回归到产品内容及用户体验中来,在此背景下,QQ音乐迫切在做的,是如何通过开设更多入口提高用户的个性化体验,为用户构建一个的QQ音乐场景生态——将用户的心理行为轨迹研究透彻,并且从碎片化时间中争夺用户的关注焦点。
19、在QQ音乐首页有丰富的推荐产品,例如:个性电台、每日30首、单曲推荐、UGC歌单推荐和AI歌单等等。
20、7
六、qq音乐个性电台
1、5
2、这部分线上也做了实验,把三个簇的结果融合在一起去做排序,而不是每个Quota都分配数据结果会相对好一点。但是热门分发的份额会更多,内容的利用率其实没有那么高。所以现在采取的方式是:每个簇都给了一定的Quota,让不同的兴趣,即使权重小,也有机会进入到排序层面进行公平的竞争。
3、优化1:对于问题在Songid的基础上,加入完播歌曲的语种、流派等数据进行拼接,尽量减少模型学习的成本,显式地告诉模型,某些歌曲的聚类是相近关系。
4、9
5、二者的出品公司不同
6、而在今年春节期间的听歌用户年龄数据中,QQ音乐中的00后以85分钟的每日听歌时长超过其他年龄层人群,成为爱听歌的人,而00后占比更是高达68%,90后和80后占比24%。年轻用户群体的青睐也为QQ音乐的场景化营销手法奠定了更多可能。
7、
8、蝰蛇音效:酷我PC端和移动端同时拥有“蝰蛇音效”功能。蝰蛇音效为四个场景应用,分别为3D美音、超重低音、虚拟现场、纯净人声。不同的音效应用在不同的歌曲上可以展现歌曲的佳收听效果。D美音用的渲染技术搭载云服务,为每一首歌选择合适的环绕立体声场。
9、
10、
11、音乐指纹:下载的歌曲名有错误,有“智能重命名帮你修改;经常听一首歌曲但苦于不知道什么歌曲,还有“歌曲识别工具”帮你快速得辨别。
12、个性电台根据天气和时段,采用动效展示。
13、应聘简历发送邮件:yldjs001@1com
14、乐谈崔健 |王菲|林夕|谢天笑|陈奕迅
15、1
16、“哦你说这样太幼稚 应该避讳那些词 你说这样还不够 作为真实的感受”。我们被迫在高速运转的齿轮城里推动那些被设计好的故事,被安排着接受这各种角色。自私一点吧,有时候就该为自己而活。
17、每个人都会有不同的烦恼,生活就该简简单单,快快乐乐。给我一杯忘情水,还我一碗孟婆汤,一起忘记烦恼和忧愁~听这首歌仿佛所有的烦恼都能轻易的被丢掉~
18、序列与多兴趣召回
19、通过与不同品牌的联合,“MusicYourLife”将音乐渗入不同的生活场景,以期让音乐与生活发生碰撞,激发更多灵感。去年11月,QQ音乐作为年轻、时尚的音乐,与知名运动品牌Nike强强携手推出“跑步电台”,将音乐陪伴与运动数据记录功能合二为解决了两类APP不能兼得的痛点。通过自动匹配音乐、同步信息、记录轨迹、好友PK等创新玩法,“1=2”的“跑步电台”集技术应用与互动体验于一身,为跑步爱好者开启了“乐跑”新模式,让音乐和跑步这对黄金搭档激活出更多生活正能量。
20、而不仅是“跑步电台”,QQ音乐“MusicYourLife”理念也在自生态运营中处处体现:今年五一小长假,QQ音乐与摩拜单车在北上广等6大城市联合开启了“音乐骑行,一路有音乐”主题活动,鼓励用户在音乐陪伴之中走出“趣”、发现平日因匆忙而错过的身边美景,并通过王牌功能“歌词海报”与用户做场景沟通;在《速度与激情8》热映期间,联合时尚运动体验馆SpaceCycle定制了“速度+激情”音乐主题课,实境还原了电影场景中的飙车竞速体验。以音乐为媒介,QQ音乐“MusicYourLife”理念正逐步走入人们的不同生活场景。
1、
2、正当出呓语,走笔萦虹蜺。那就当是说了些梦话吧~这些想对你说的话又何尝不是对自己说的呢~“夜深了你不要醒来 孑然你的窗外行单只影 不用理会我说的的这些呓语 我想说的都是不切实际”。
3、采用融合音乐知识图谱召回;
4、问题二:对序列进行avg/sumpooling的方式过于粗暴,特别是在用户兴趣较多的情况下,会导致用户的兴趣被中和甚至被抹平。
5、这样的好处是数据会相对丰富,且能够学习到不同圈层信息。对于深度召回样本来讲,更多使用的是完播序列样本,另外还包含了人口统计的特征,以及一些收藏信息等。对于排序侧的样本就不是这样了。
6、◆ ◆ ◆
7、所以如果以长短期兴趣为维度,一个做法就是深度序列模型,更加偏长期兴趣刻画,单点召回模型会相对偏短期。另外,我们也会构建用户的长短期画像,基于长短期的画像,会给定一些对应的召回路径,去满足用户长期和短期的兴趣探索。当然不只是在召回会这样做,在排序模型里面也会加入用户长期和短期的特征,来捕捉用户的兴趣。这部分在召回的同时需要做融合,后达到好的结果。
8、作为业内积极推动版权转授权合作的音乐平台,腾讯音乐娱乐集团拥有1700万中国丰富的正版音乐曲库,并与超过200家的国际及本地厂牌达成了合作。而在用户圈层中,以00后主导的年轻势力也已经成为QQ音乐平台的“中流砥柱”,这自然与QQ音乐年轻的平台属性密不可分。
9、
10、用音乐串联生活、提升生活品质,“MusicYourLife”是QQ音乐提出的倡导阳光、轻快、正能量的全新生活方式与生活理念。
11、可以看到,场景化思维是移动互联网时代企业们的聚焦点,而在此之中,体验感无疑是对用户而言重要的一环。在去年6月5版本更新后,QQ音乐面世的“音乐号”功能,无疑是在耕耘用户产品体验动作上,更具说服力的存在。
12、三元组的构建有多的方法。利用流派的图谱举例,有(songidgenre(流派),songid2)和(songidrelation,genre(流派))两种构建方法。前一种是在NLP中常见的构建方式,但在音乐场景里面这种关系是相互的,会以笛卡尔积构建2*N*(N-1)对关系;而后面一种关系的构建更加直接,关系数直接降到了N这个级别。融合知识图谱在召回上准确率有较大提升,BadCase率的改良也显著。以权志龙的“Today”为例,左边是仅以Song2vec的方式做关联,会与抖音热门的歌曲有较强的绑定;而右边的Song2vec和TransE的融合,可以让歌曲的关联准确性和一定的泛化性。
13、QQ音乐采用SASRec序列建模,对用户的历史完播行为进行建模,提取更为有价值的信息,且叠加多个自助力机制,能够学习更复杂的特征转换。主要思路是利用户的序列L预测它的目标TargetP,self-attention层中V基于QK计算Attention权重加权计算后输入到后续网络,后使用sampled_softmax_loss做多分类进行预测。除了融合位置和相对时间,将ItemInput和OutputsharingEmbedding,相对于Youtube模型,HR@100指标有大幅度提升。基于SASRec+ShareEmbedding,同时融合了时间和位置建模,结果能达到72%的准确率,而原始Youtube是25%,准确率提升5%。
14、
15、夏先生带着几个年轻人在音乐路途上开始他们的创作之路,可以说他们的作品里唱出了当时我们每个人的内心。成长的路上难免会有挫折,有无奈,在每个灿烂或灰暗的日子里,我们听到夏天播放真诚的声音,把我们都曾有过的心情放在有友情有爱情相伴的时光里,或许有一天你也会想起这些弥足珍贵的记忆。
16、联邦学习召回
17、一场围绕“音乐出行”的跨界营销
18、
19、A:在音乐场景里,有多的入口。每个入口的样本分布差异很大,或者说特征分布是不同的。比如:每日30首的用户分布、特点,跟电台场景相比,差异很大。在开始的时候也提到过这个问题,所以对于排序来讲,排序侧的样本是针对每个单独的点位做优化。所以这里的样本都选择点位本身的样本。而召回是所有入口都共用的召回模型,所以对召回模型来讲,用的是大盘数据,也就是用QQ音乐的整体数据做统一训练。
20、
1、