1、近段时间，大家都在讲在线音乐平台进入了后版权时代，尽管这一理论尚且有待思考，但对于音乐行业而言，产品体验的竞争“枪声”确实再度打响，而在碎片化时间中争夺用户视线焦点的大前提下，场景化营销又是否能够为在线音乐平台带来新的灵感？
2、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”。
3、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”。
4、
5、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。
6、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。
7、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、时尚的音乐领导品牌，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。
8、2
9、联邦学习召回方法
10、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，为用户构建一个独一无二的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。
11、设计思考
12、
13、
14、在最开始尝试模型的时候遇到了一些问题，比如：
15、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。
16、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，包括最大、最小、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)。
17、A：在音乐场景里，有非常多的入口。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。在最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。
18、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，也取得了非常不错的效果。
19、此次合作对QQ音乐而言，打通了线上线下平台的互动模式，将音乐电台落到线下出行场景中去，既能够与用户探寻更多沟通方式，来完成深度互动，也能够与出行产品结合，完成品牌碰撞下的倍增效应；而对于滴滴出行而言，“踏春行音乐电台”在带给用户更加多元的线下体验同时，也能够在年轻人聚集的QQ音乐线上领域增加滴滴出行的品牌美誉度，格调与趣味并存。
20、酷狗：
1、
2、第一部分是Context/demographic是融合上下文信息以及年龄、性别和城市等统计学信息的模块；
3、酷我：
4、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善。
5、新歌推荐
6、在文末分享、点赞、在看，给个3连击呗~
7、
8、以MIND模型为例，多兴趣模型有几个非常重要的模块，例如：
9、引入序列与多兴趣召回；
10、
11、 “春日出行”的概念设定总带有一丝浪漫主义的味道，温柔的春风拂面吹过，耳朵里的音乐绵远悠长。作为一门脱离于语言桎梏的艺术，它将旅途缩短，思绪拉长，音乐总能够展示人们更抽象的情感与态度，而现在，它能够展示的似乎还有更多。
12、接下来详细介绍这几个方案。
13、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。
14、
15、9
16、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。
17、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。
18、
19、(本文为娱乐独角兽原创独家稿件，未经授权禁止转载！)
20、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%。
1、最后，与电商、视频流场景不同的是，音乐的重复消费是音乐推荐场景一大特征。另外，音乐推荐的产品多种多样，不同形态的特点非常鲜明；比如歌曲的音频、歌词、歌手等、UGC歌单的标题和图片等等。
2、
3、“音乐号”的目标不是流量，而是内容与用户的高效对接转化率，无论是海量曲库内容，还是个性电台、用户个性化推荐等定制体验，或是QQ音乐经典的绿钻豪华版的无损音质，针对消费者娱乐体验形式的多元化发展和不断增长的娱乐消费需求，QQ音乐不断在线上、线下两大路径进行着积极探索。
4、采用融合音乐知识图谱召回；
5、“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。
6、
7、元音计划 | 入驻元音乐教程
8、挖掘音频召回的方式，为用户召回“听感相似”的歌曲；
9、
10、
11、
12、活动推荐：
13、
14、Q2：在音乐场景下怎么去平衡一个用户的长短及兴趣？
15、在对样本特征和模型结构做了一些改进后，YouTube模型在召回上有非常不错的推荐效果，该召回通路的歌曲完播率很高，但也存在不少问题。例如：
16、
17、
18、A：首先深度召回模型的输入本身是一个相对长期的序列，这部分兴趣序列对用户是比较长的一段时间、整体听歌行为的一个刻画。这部分刻画相对是偏长期；单点召回又是I对I的召回，是拿用户最近的播放行为进行关联，可能是一个短期相关的行为。举个例子，某用户最近在这一天或两天内收藏的歌手，会认为是该用户最近的强短期兴趣，且会以这个兴趣为接下来发送更多可能喜欢的、音频相似的歌曲，或者是说协同相似的歌曲等。
19、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。
20、QQ音乐通过贴心的设计、良好的体验、曲库、最新的流行音乐、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。
1、联邦学习有三个分类：
2、跨界背后，是无处不在的QQ音乐之力
3、二者的主界面的区别
4、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，达到了历史的最好成绩。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。
5、酷狗：主界面包括“乐库”、“电台”等七个菜单项。
6、
7、
8、
9、往期精选
10、
11、酷狗：酷狗科技公司
12、同时支持在线音乐和本地音乐的播放，是国内内容最丰富的音乐平台。其独特的音乐搜索和推荐功能，让您可以尽情地享受最流行，最火爆的音乐。
13、7
14、这首歌是郑景仁在国外生活的时候写下的，那也是他最寂寥的时期，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。
15、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，可以构建非常大的图模型。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。
16、会是在线音乐市场的一门好生意吗？
17、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。
18、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)。
19、一场围绕“音乐出行”的跨界营销
20、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。
1、
2、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；
3、Q3：多兴趣的召回，每个兴趣数的召回数量怎么选？
4、Q5：QQ音乐技术栈是什么样的？
5、场景化营销
6、qq音乐个性电台不能一起听得解决办法:
7、第一种：网络卡顿，导致音乐加载不出来，所以听不了。可以调整数据网络，通畅的时候进行播放。因为没有按播放键。当你放音乐的时候是需要点击播放的，如果没有点的话是听不了的。
8、最后一部分是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。
9、二者的软件特色的不同
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、基于上面的三个问题，我们提出了以下解决方案：
12、用户的兴趣向量聚簇的区分度不够。
13、头部热门非常严重，相对来讲，如果不做特定的干预，推荐结果会缺少惊喜感。
14、4
15、10
16、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，成为最爱听歌的人，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。
17、涉足出行领域，对于QQ音乐而言，是为满足用户多元需求，为探索更多场景可能布局中的重要一环。而这一切都基于QQ音乐所拥有优质曲库、数字音乐和艺人资源，为听懂用户提供了强有力的支撑。
18、序列与多兴趣召回
19、应聘简历发送邮件：yldjs001@1com
20、QQ音乐播放器是一款带有精彩音乐推荐功能的播放器。
1、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，非常重要。
2、在活动期间，用户通过滴滴出行APP呼叫快车，即可在行程中点击底部弹窗进入活动页面，随即收听“踏春行音乐电台”。同时，登录QQ音乐APP，还可以查看“音乐电台”的完整版歌单。
3、用户属性稀缺，冷启动相对困难。
4、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最佳收听效果。D美音&#用顶级的渲染技术搭载云服务，为每一首歌选择最合适的环绕立体声场。
5、免费福利：
6、在主面板喇叭后面的圆圈后有一个向下的三角形(符号如：▽)，点击它
7、
8、接下来介绍QQ音乐推荐场景的一些特点。
9、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。
10、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。
11、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~
12、分享嘉宾：
13、音频召回
14、
15、