豆瓣 FM 的推荐算法是怎样的？

文章来源：

叶伟说：“我也很少收藏豆列的，都是直接点红心，我点了很多红心，也点了很多不再播放，但私人电台里还是很多不喜欢的歌。”我有同感。这个产品是不是已经停止进化了？

《豆瓣 FM 的推荐算法是怎样的？》有 40 条评论

1. 杨勃 (阿北) (不想当CEO的程序员不是好产品经理) 说：

   #

   本来应该是另一个“不便回答”的问题。但有人盛情邀请，所以稍微说一下。豆瓣电台的私人电台会综合用户在豆瓣上的各种音乐行为做算法推荐。当然考虑最多的是电台本身的“红心”， “垃圾”， “跳过”这些数据。

   至于算法本身，在任何领域里，超出基本的普通推荐算法之后，就没有“亢龙有悔”一招打遍天下的东西。可以说全是细节。这个是不断积累、观察、学习、创造的过程，而且每天在持续变化。做推荐是在一条没有终结的马路上一边攒车一边开车，教科书、论文里的东西都是基本的零件，中间碰到各种奇奇怪怪的算法都可能被捡起来装到车上。Swiss army knife, yes.  Silver bullet, no.

   回复
2. 冯沁原 (推荐系统) 说：

   #

   本文分析仅仅基于个人经验和豆瓣在公开场合所做的报告，与豆瓣公司无关。

   —————————————————————–
   2011年07月01日，分享我做的一个报告《如何做好推荐系统》
   

   —————————————————————–
   2011年06月09日，再分析一下如果用item-based的方式是如何实现豆瓣推荐的

   1）豆瓣会计算和每首歌近似的歌曲集合，这个可以基于“用户歌曲矩阵”的传统方法，并依次作为核心数据，这个核心数据的更新频率并不需要很高。
   2）豆瓣会为每个用户维护一个线性的播放列表。
   3）每当用户对一首歌曲给出正向反馈，系统会取出与这首歌相似的歌曲列表中的几首，插入用户当前的播放列表。
   4）如果一个用户给出负向反馈，系统会从这个列表中删除那些与这首歌相关性高的歌曲。（这一点有一些工作可以做，例如是删除同一个歌手的歌曲呢？还是曲风呢？或者是基于之前的核心库的相似歌曲列表呢？）

   —————————————————————–
   2011年05月09日，给自己做个广告，欢迎大家对比着试用一下我设计的酷我电台iPhone版本
   

   —————————————————————–
   2011年05月04日，补充了一些豆瓣电台的策略：
   1. 豆瓣实现了自更新模块，主要依赖于内部的自动配置协议，能够动态的配置新算法或者一个算法的参数，同时分配一定比例的用户给一个新的推荐模块（也就是动态AB测试）。在进行评测之后，再自动的进行调整。
   2. 用户行文建模：豆瓣对一些典型的用户行为进行了特殊建模，如一些连续点击喜欢或者不喜欢的用户。
   3. 时间因素：豆瓣似乎会根据当前的时间来推荐不同的歌曲，例如在工作时间会倾向于推荐一些较为柔和的歌曲。
   4. 歌曲标签：豆瓣的歌曲会被打上标签，从而为推荐提供辅助信息。
   5. 用户聚类：豆瓣似乎使用了一些用户聚类的算法来提高算法的效率。

   ———————————————————–
   2011年03月11日，一些猜测：

   豆瓣的电台应该分成三部分：
   1. 一部分是根据你的social行为推荐的音乐，例如你打分的专辑，你加入的标签等等。
   2. 另外一部分是根据你使用电台的行为推荐的音乐列表，这个估计是基于user-based或者item-based来计算的，数据就是喜欢、不喜欢和跳过。
   3. 第三部分应该是通过编辑加入的歌曲，例如在特定的时期对特定的人群发送特定的歌曲（一个例子是在大年初一听到的第一首歌是新年祝福相关的）

   虽然只是这三部分，但是第一部分和第二部分会引入很多的参数，于是又有了一层算法：参数调优。这里有三种实现形式：所有用户用同一组参数；每个用户用不同的参数；先把用户聚类，然后每类用户用一组参数。

   这里的参数也会有很多种，一个关键在于比例的配置。例如，我们有15个源来产生推荐的歌曲，如何才能混合这些歌曲才能取得用户最大的满意度。理想情况是要同时考虑熟悉度、多样度、和惊奇度。在具体算法中也有选择多少个相似用户、每个用户对最终结果的影响度是多少、贡献的数量是多少。再有就是如何从用户听过的成百上千的歌曲中选择一个子集来进行后续的运算。当然，虽然这么说，但是千万不要让自己陷入其中，最重要是找到一个简约的方案来调优。

   除此之外，不知道豆瓣可能还有另外一层的算法，就是即使给一个用户准备好了一堆可以推荐的歌曲，应该按照什么顺序来播放给用户。这一点也能说出很多复杂的需要考虑的因素，我们在设计的时候也不要陷入在细节中，而应该找出最关键的几点来撬动这个石头：）

   最后，豆瓣也应该有个过滤的前端，会根据大家对一首歌的整体评分来决定后续推荐的音乐集合。

   回复
3. 阿稳 (豆瓣，算法攻城师，推荐系统，数据挖掘 博客：http://www.wentrue.net/blog/ 豆瓣：) 说：

   #

   豆瓣FM的推荐算法没有停止，反而是在不断演进当中，伴随着它成长的用户，会慢慢发现越来越多的惊喜与满意。豆瓣FM是中国互联网实践个性化服务的一个很好的土壤，其中糅合了包括算法、UI/UE、数据清洗与整合、音频分析技术、用户行为分析、编辑与运营、后台架构等等大量的因素，即便是推荐算法也只是算法技术中的一部分。单论推荐算法，就最简单的算法，也会极大地受到其它因素的影响，比如单曲推荐功能、新版的上线，对于算法的学习与积累都会起到极大的正面作用。

   豆瓣的电台算法会充分考虑数据的因素、人工的因素，借用UI/UE的力量，充分利用现有的各种智能技术，它是一个系统。

   一个个性化产品跟传统的排行榜形式的推荐不一样的其中一个难点在于质量的覆盖面，它可以做到统计上逐渐逼近于让所有人满意的程度，但绝不是一个一蹴而就的工作，所以肯定还有大量不能令人满意的地方，但每天它都在向着更好的方向走。

   回复
4. 蒋长生 (豆瓣算法工程师) 说：

   #

   电台一直在演进开发中.

   在网上搜一下常见数据挖掘和推荐的方法, 如聚类, 协同过滤等, 可窥一斑. 只是电台整合的推荐方法比较多.

   回复
5. 刘凤巨 (飞信产品经理) 说：

   #

   说一下我在豆瓣音乐的数据：总计收听4763首，加心56首，1119首不在播放。下面我猜豆瓣私人电台的推荐规则，请豆瓣的同学及阿北现身：

   1,社交行为
   在豆瓣音乐中，有哪些音乐标签，喜欢哪些歌手，在听哪些，想听哪些，乐评，豆列等等，即豆瓣音乐中提供的社会化网络行为，会有相关的权重算出一个公式，具体权重值暂时未知，其实也可以再进一步的猜，究竟哪些行为对用户听歌能产生更多的价值，权重值就高，否则次要。其实最开始的时候一定是一个最简单的算法，在进行一段时间数据根据和用户反馈后，有了更多的权重值累加。

   个人例子：

   2，听歌行为
   “喜欢”，“不再播放”，“跳过” ，这个相对直白了。
   （1）喜欢：在以后的随机播放中出现的次数会增加
   （2）不再播放：以后说byebye
   （3）跳过：以后还会随机出现

   3，个人感受
   由于我并未在豆瓣音乐中进行过任何社会化行为操作，只是添加了几个喜爱的歌手，所以豆瓣推荐给我的歌曲让我很难受，太多不喜欢听的歌曲持续出现。我的疑问

   （1）我添加的歌手都是中国歌手，为什么一直给我出英文歌曲
   （2）我喜欢的歌曲也全部是中文歌曲，且是慢节奏歌曲，为什么一直给我快节奏，重金属的英文歌曲
   （3）我一直把英文歌曲不停的加入垃圾箱，还是持续不断的给我推荐英文歌曲？
   （4）实在不知道我爱听什么，哪怕放一些我喜欢的歌手都可以，可这个推荐的比率不足10%

   暂时就这些。

   回复
6. 陈波 (喜欢音乐的游戏爱好者) 说：

   #

   听了6000多首了自己总结大概有以下几个特点：

   1。系统根据你所加的心和所选的喜欢歌手以及不再播放来进行调整概率这是肯定的。

   2。系统本身给歌曲打了很多标签，随机应该是根据这些标签来算概率的，你加心的时候，同时对这类的标签进行概率调整。

   3。在你加心的一段时间内，系统会不段给你推荐此类的歌曲，试图试出你才口味，如果你没有持续的加心则会降低概率。

   4。在播放歌曲的时候系统会随机给你后台播放频率较高的歌曲，试图测试你是否有其他的喜欢风格，这个概率出现得不多。

   5。豆瓣喜欢推荐英文歌曲。

   个人愚见算法可能是从一开始你选择喜欢歌曲的时候就把相关的歌曲标签全部导入至你的播放曲库中，然后根据上述的几个特点以及你的加心再去扩展播放曲库，同时增加该标签的随机概率。

   回复
7. 陈言 (我只是电台用户，恭请专业人士发言) 说：

   #

   应该是这样：

   1. 以用户对音乐素材的好恶为参数，计算出用户的偏好；
   2. 给用户间的偏好按相关性排序，找到偏好相同的用户；
   3. 互相推荐歌曲。

   比较麻烦的是冷启动问题，即用户没有操作记录时候推荐什么？可以推荐一些热门歌曲或者依据豆瓣读书和电影的用户偏好数据（电台刚开始推荐给我的都是我喜欢的电影的音乐）。

   回复
8. 饶侠 (Adobe Flash Platform Consultant) 说：

   #

   豆瓣拥有很多用户书影音收藏的数据，更有用的是这些数据所带的标签，这样做起数据挖掘来就方便了很多。

   回复
9. NoTor (互联网创业观察员，@36氪作者，漂在巴黎，我的豆瓣： 我的微博：) 说：

   #

   我以为问的是豆瓣电台的广告是按什么微妙的机制选出来推荐给听众的。但是从广告的数量来看，应该还没有复杂到这个程度。

   回复
10. 凌华彬 (Gamer, Developper) 说：

    #

    个人看法：数据来源已经很清楚了，以下几点：
    －用户自己选择的喜欢，不再播放，跳过
    －豆瓣上用户对音乐的评分和收藏的专辑等等

    算法方面：应该是给歌曲或者专辑加上几种不同的特征值（比如类型，歌手，语言，年代等等）用来标识一首歌的属性，然后通过阿北和长生所说的一些推荐算法的整合… 有点类似图像识别算法中的基于特征值的识别算法，如Mops，SIFT

    我自己的数据：加心146，垃圾箱253，总数4571
    对推荐的结果已经很满意了，我觉得一方面是因为个人听歌取向相对单一，比较容易推断喜好，如果用户在某些关键特征值上的取向模糊不清，经常做一些矛盾的加心和放入垃圾箱的选择，那么自然会让豆瓣的推荐算法更难得到好的结果…

    另外感觉中有一个细节：歌曲类别和语言在推荐算法中似乎很重要，而且豆瓣会试图推断用户当下喜欢的歌曲类别并给予这一类歌曲一个临时的高加权值…
    打个比方，我的喜好主要有经典摇滚，电影原声，国语女声，当我连续跳过几首国语女声后，电台就会开始更多得播放经典摇滚得曲目，而极少回到国语女声歌曲中…就算这不是豆瓣电台有意为之，也会是个推荐算法中很有趣的尝试…

    回复
11. 翟烨 (问问题者) 说：

    #

    把每天豆瓣电台的第一首是为寓言 贼准贼准的

    但是老一阵阵发骚都是不爱听的歌，如果不跳过下一首的话估计得放一堆这类型的

    反之如果加心的话，会放很多类似加心的歌曲

    每日必听

    回复
12. Sixfeet (产品设计) 说：

    #

    豆瓣电台的冷启动应该是使用用户在豆瓣音乐中的收藏数据，正是因为此数据可能很多人抱怨为什么老推荐谁谁谁，总是推荐某种曲风。喜欢，不喜欢，跳过，机器记录了用户对于推荐的反馈，用户这 一系列的操作，机器会学习然后不断去调整针对于该用户的歌曲列表。只要解决了冷启动，之后就是机器学习的事情了。对于机器算法来说本生基于一个海量的用户数据产生的单位元数据之间的关联属性很重要，这个也会影响用户。比如last.fm的数据主要来源于用户行为而pandora则使用了专家评定的方式。但是由于 用户行为的标签属性是非常随机的，这个要看你的网站用户都是什么样子的一群人，比如严谨的来说 魔岩三杰的音乐是完全不同的风格，但是由于历史文化的原因他们总是被打包，所以他们的标签属性中“魔岩三杰”的权重就很高；假设我是一个TMD喜欢纠结风格的人我就会觉得算法不准。高晓松的标签不是“校园民谣”全是“怪叔叔”什么“植物大战僵尸”……

    所以我想对于音乐推荐来说算法准确还是不准确因人而异，大家也不用在这个问题上纠结

    回复
13. walker (数字音乐，独立音乐) 说：

    #

    上面有很多工程师的答复，这方面我不专业，至于如此繁复精细的“算法”为什么还老让人觉得推荐得不如人意，请参照下面这篇文章：
    你们看了后就应该知道，推荐音乐，不单单是程序的事，所以潘多拉进行了复杂而细致的歌曲分析，也就是文中的“基因组计划”，尽管一个方向可以让工程师来干这事，但其实还是越界了，对歌曲基因提取得越细致越精确，基于各种精致算法/建模/行为分析的推荐才可能真正与你的口味擦边，所以作为半个业内人士，我的答案是，难点是在分析音乐上，而不是工程上。一首歌曲，它有情绪，节奏，颜色，明亮度，乐器，和声，风格/流派，歌手/乐队，旋律，编曲，配器，歌词，隐喻等等等等，哪怕不讨论算法，抽取这些特征都是一个大工程，在国内的电台，这个才刚刚起步，脱离音乐性谈算法，那永远是我听到一首左小祖咒的点了喜欢，就听了一晚上的国内摇滚，听到一首Nirvana的点了喜欢，一晚上几乎可以听到它一张专辑，这是我的真实体验。
    现在国内做类似电台的越来越多，很多未必准备好了就仓促上马的，假如豆瓣的推荐只是有点不靠谱的话，还有更多“推荐”仅仅相当于“随机”，哈。

    回复
14. 李健 (运维工程师) 说：

    #

    很简单，我的使用经验告诉我7成是根据你的“红心”歌曲决定的。

    这里有一个诀窍：在豆瓣电台里听到了一首喜欢的歌便加红心，这样挺好，但是太慢；直接找到你喜欢的专辑页面，把里面喜欢的歌曲全加上红心，这里点的红心是会同步到豆瓣电台的收听记录里的，所以我的豆瓣电台一直有个有趣的现象，就是加红心的歌曲要比收听的歌曲数目还多，这样以后，我的私人电台一直很服帖，我很喜欢。

    打个比方，你到一家大酒店去吃饭。你叫来经理说，给我推荐几个适合我口味的菜。如果你是第一次来或者只来过几次，经理不认识你，他只能推荐一些“招牌菜”，可是这些招牌菜实际上是来这家店的大多数人喜欢的，是一种民主的结果，而听歌是种极为个人化的感受，所以你不一定会喜欢；如果你经常来这边吃饭而且总是向经理反馈你的喜好，即使你是偏门的，经理也会知道你喜欢什么，甚至还会把某道招牌菜单独给你改改口味送上来呢。当然，现实中不是所有人都能和大酒店经理交上话，所以人类发明了机器人。因此，这里反驳一下1楼阿北说的没有”silver bullet”，事实上”silver bullet”就是你告诉机器人你喜欢什么，现在的智能机器人，还没聪明到比你自己更了解你自己，这是个事实，也是条稳妥的捷径。

    当然，“垃圾箱”也是很重要的，但是只是“红心”的小弟。

    来条豆瓣自己的回答： 

    “什么是音乐基因….

    豆瓣FM根据你的红心歌曲、专辑收藏纪录，算出的能反映你音乐喜好的歌手和风格列表。”

    回复
15. 成远 (我是创办那年年末开始用的，跟阿北采访过三次。) 说：

    #

    点不再播放不代表不喜欢，系统认为只是想跳过，点垃圾箱系统才知道你不喜欢，阿北这么说过。

    回复
16. 李作刚 (仅仅是豆瓣用户) 说：

    #

    推荐的主要依据：与你喜欢的歌曲是同一个歌手的、与你喜欢的歌曲是一个风格的、与你喜欢的歌曲是相似主题的、与你同龄的人喜欢的、你的好友喜欢的···

    回复
17. 方可 (80后老年人。信仰互联网。新产品测试用户。专注交互体验。迷恋现代设计。没有所谓理想，只有眼下要做好的一切。7Peers.com) 说：

    #

    根据我的使用推断：我在豆瓣“我听”里面基本都是古典音乐的CD。以至于现在打开电台也都是古典音乐！但事实是，听电台只是为了轻松下，并不想听古典乐。

    回复
18. 陈贤江 (搜狐音乐主编) 说：

    #

    不仅仅是电台本身的使用方式，应该也跟使用豆瓣的轨迹有关吧？比如你给专辑评的分乐队、听过的专辑越多、打的标签越多，豆瓣电台推荐的歌就越准。我以前的账号玩了四年，豆瓣各种产品都用过，豆瓣电台推荐的歌就似乎比较准，现在的账号不到一年，电台放的歌就不太准了。是吗？

    回复
19. ArayS (其实到处叨逼叨也不太好.) 说：

    #

    针对答案里”经雷”说的”「不再播放」了十几首王菲，还是不停的往上冒” 猜测补充一下:

    豆瓣私人电台应该是根据以往兴趣,随机生成第一首.后续曲目会根据当前播放记录,结合用户兴趣不停的迭代进行推荐.也就是说,第一首曲子很大程度上决定了此次播放的基调.
    这个猜测是根据前两天在豆瓣上看到几位负责豆瓣推荐研发的工程师聊天而得出的.

    分析了一下采取这种推荐的目的:
    这种推荐应该基于一个假设
    一个用户可能同时喜欢古典乐和摇滚乐,在某次私人电台播放过程中,曲风的大范围跳跃会很影响用户的使用体验.想象一下上一首放莫扎特.下一首就放扭曲的机器.
    所以在满足用户各色喜好及保持当此播放曲风以维护用户体验之间,豆瓣选择了后者.个人也很同意这种策略.只是缺点是放起来之后就回不来了.解决方法是,把电台关了重开一遍.

    以上为个人看法,豆瓣官方人士请指正

    回复
20. 翟朋建（没人认识） (初入社会的学生一个，对生活上的细细的东西感兴趣，对工作憧憬，对未来迷茫……) 说：

    #

    我说个题外话，会不会等到某一天，你会发现你的豆瓣电台里面都是你喜欢的歌呢？那这个还算是电台么？
    还是它会统计你的音乐风格？不过这个音乐流派的分析过程也要很大的工作量吧？？

    回复
21. 94smart (用itunes和豆瓣电台听歌，百度、Google下歌) 说：

    #

    补充优先级比较高的算法：

    1. 广告、片花不能删
    2. 广告不根据用户喜好，直接塞入播放列表

    回复
22. fifth (迷失在城市的牧童) 说：

    #

    我也感觉目前的算法效果，推荐行为做的还不够精细。
    点喜欢，跟着这个乐队或这张专辑的歌在几天之内轮流着上
    点不喜欢，还行吧，很少继续强推我不喜欢的歌

    我用了2个月了，总是在一些专辑里面跳来跳去，有点厌烦了

    回复
23. 潘捷 (从事 IT行业 。。。做PHP开发 。知道IT人士太多了。。但是我就这行业没办法啊。。。。。。) 说：

    #

    我感觉豆瓣私人电台推荐的歌不错，基本都是我喜欢的。比公共的电台不知道要好多少，个人感觉挺准的。

    回复
24. 罗万江 (产品运营) 说：

    #

    豆瓣电台比较适合听歌需求比较大众化的群体，对于有强烈特殊需求的用户还照顾得不是很周到。

    个人猜测是因为本身豆瓣的用户群体相对小众，像电影、读书等产品都比较小资，这些老用户喜欢的内容和贡献的数据可能都不具有代表性。

    另一方面可能因为产品做得简单，能用来做推荐算法的纬度也不会很多，当然不能照顾到各种奇奇怪怪的需求，这些都可以理解，持续改进很有前途。

    回复
25. 杨洋 (即将毕业) 说：

    #

    应该有考虑歌曲之间的similarity吧，个人也觉得目前的推荐效果并不理想……
    有时间的同学可以尝试下把悲歌全部点红心，欢天喜悦的全部垃圾，中性的pass，然后看最后推荐出来结果怎么样：）

    回复
26. Mayo07 (个人标签：美剧，英剧，欧美电影，欧美音乐，豆瓣，皇马，LBJ，微博。天体物理学。) 说：

    #

    根据个人的使用经验，实际听过1587首（被我切掉的就难以统计了），标记为喜爱的有480，209首选择不再播放。但是，直到第1K多才出现Glee Cast里的歌，目前为止也不会有超过10首，但是在我的音乐专辑里有6张以上的Glee Cast专辑，应该都是五星的评分，所以感觉算法很奇怪。而且现在基本就是喜欢的歌曲在不同专辑里重复播放，不喜欢的歌曲还是很多很多，更要命的是，总感觉翻来覆去就那么几个歌手。。。

    回复
27. 帅济满 (anddroid开发工程师) 说：

    #

    这是一个人工智能的范畴吧。。。利用歌曲的各种相关属性进行推荐。譬如说，我自己like了一首许嵩的歌，那他应该就会尝试的去推荐许嵩其他的歌，有譬如，如果是首中国风的，它就有可能推荐周杰伦的中国风歌曲，再或者，如果有个人他跟你喜欢这同一首歌，它就可能去推荐那个人喜欢的歌给你。。。等等。。。这当然要对歌曲的各种属性的分类要求会很高，同样，记录用户的喜好也很重要。我刚才也只是针对喜好这个标签进行推荐，同样，他也可以利用skip这个属性，再对歌曲进行过滤。。。

    回复
28. 阿wim (逻辑 | 思维 | 数据分析) 说：

    #

    还没机会做过推荐算法，分享一个在大学常用的分类方法：权重思维。

    数据只要做基础的分类，对用户群分类，需要对应的只要调整用户群的权重比例，即可达到“对号入座”的效果。

    回复
29. 梁庆军 (化学专业，计算机爱好者，徘徊在牛A和牛C之间) 说：

    #

    再好的算法也很难做到总是听到自己喜欢的歌，你对一首歌是否喜欢听，取决于很多因素，比如环境安静还是嘈杂，今天天气晴朗还是乌云，你心情是否舒畅。你之所以很喜欢某一首歌曲，一般是因为它迎合了你的心理需求。
    如果把电台和社交结合一下，可能效果更好。首先，当你听电台的时候，调取你的个人资料（要保证这些资料的真实的，最好听歌当天要签到，选择天气和心情），通过分析你的年龄，性格，星座等因素；其次，还要尽量保证你每听一首歌都要做评价，是喜欢还是扔进垃圾箱，这样当有几千万的上亿的数据之后，再统计出来就准确多了；最后，把电台分类更细致一些，根据星座，年龄段，今天的天气，心情等等

    回复
30. 段磊 (码农) 说：

    #

    我觉得要有一个AI算法，通过不断的记录用户行为习惯，考量用户的喜好特点，做出评级，而对系统的歌曲也做出评级。或者，对用户和歌曲弄一个tag，选择相似性最大的吧。

    回复
31. 经雷 说：

    #

    我觉得豆瓣电台很差劲，「不再播放」了十几首王菲，还是不停的往上冒，真是她们家佛祖保佑她呢？曲库根本不像打散了上来的。用了几次就再也不用了。
    虾米的学习能力好得多。

    回复
32. 夕照雪 (中毒已深) 说：

    #

    我觉得豆瓣的电台和音乐豆瓣猜是对于我来说最靠谱的推荐产品，因为我这些年听的音乐大部分都是豆瓣猜给我推荐的或者是从电台偶然听到的然后就喜欢了。

    回复
33. 钉子长 (3G门户搜索产品经理) 说：

    #

    数据挖掘、算法机器人的训练永无止境

    回复
34. 小赵阿姨 (无) 说：

    #

    如果是匿名用户登录，记录了行为吗？

    比如每次匿名听到一首好歌，我想做个标签，等我登录它就不见了，这个问题能解决吗，这是跟算法有关吗？

    还有它可以同步到ｋｔｖ吗？假若我想在ｋｔｖ唱歌，在豆瓣电台偶然听到一首歌想连接ＫＴＶ上，这个可以实现吗？

    回复
35. 刘晓博 (产品经理。不挑食才健康。) 说：

    #

    豆瓣电台是用的音乐机器人计算的，但是没有设置屏蔽“垃圾箱”的上限系数，许多使用豆瓣电台的用户到后来都发现，推荐的那些歌曲翻来覆去就是那些，无法有更丰富的歌曲推荐出来。
    音乐的喜好，是计算不出来的，这才是本质。不同的心情、情绪、场景，甚至身体状况，都会使人对同一首歌产生不同的判断，现在的推荐算法和体系还太过单薄。

    回复
36. 仇诗宸 (西电科大在校生、信息工程、美剧欧美乐) 说：

    #

    觉得豆瓣电台的算法很有问题啊、
    听久了后、总是那么几首一样的歌循环、、、、

    回复
37. 刘永辉 (一个爱看书的程序员) 说：

    #

    图书推荐也就总是那么几本

    回复
38. 稻稻 (IT边缘人,娱乐边缘人) 说：

    #

    好像国外有个类似的音乐推荐网站,叫潘多拉什么的,对音乐分析推荐的算法偶也很好奇..

    回复
39. 茉茉 (不贫能憋死) 说：

    #

    也想知道，不过这是不是已经涉及商业机密了呢？

    回复
40. 懒人 (懒，精神分裂，变态完美主义) 说：

    #

    多点几次红心和垃圾箱 后面推荐就更准确了。

    回复