一、qq音乐个性电台
1、腾讯音乐娱乐集团首席执行官彭迦信曾提到，“对于音乐人而言，腾讯可以提供最全的用户覆盖，多产品的孵化能力也能让音乐人获得更多回报。”除了用户数优势外，还有包括大量扶植音乐号，推动数字音乐专辑的发展等打通媒体内容生态的举措。
2、联邦学习是一种机器学习技术，可在拥有本地数据样本的多个分布式边缘设备或服务器之间训练算法，而无需交换数据样本，保护数据隐私。近年随着联邦学习的兴起，在金融等领域已经有多个联合建模的成功案例，我们也开始寻求在大腾讯生态下引入纵向联邦学习提升召回的准确性。
3、接下来详细介绍这几个方案。
4、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。
5、
6、二者的主界面的区别
7、引入序列与多兴趣召回；
8、探索联邦学习的方法，解决用户属性稀缺的困难问题。
9、免费福利：
10、乐谈崔健 |王菲|林夕|谢天笑|陈奕迅
11、只要您拥有QQ音乐播放器，就拥有属于您自己的流行音乐。
12、随着消费升级这股浪潮的规模日趋扩大，中国文娱产业也得以借势抢占一波“精神消费”的红利。当受众群体的精神需求及个性化定制所占比例进一步加强，各大节日里，“卖力”的品牌营销动作也早已让受众习以为常。在此背景下，无论是对于用户还是互联网企业而言，跨界融合与场景化营销都不失为一个不可错过的定制体验。
13、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；
14、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；
15、Q5：QQ音乐技术栈是什么样的？
16、在QQ音乐首页有非常丰富的推荐产品，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。
17、
18、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。
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。
20、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。
二、qq音乐个性电台怎么关闭
1、5
2、采用融合音乐知识图谱召回；
3、◆ ◆ ◆
4、对于这两个问题我们也做了一些优化：
5、
6、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。
7、首先，在用户层面上，平台覆盖群体非常广，消费者老少皆有。
8、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。
9、大数据典藏版合集PPT电子书下载！
10、设计思考
11、互联网核心应用算法宝藏书PPT电子版下载！
12、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。
13、本期的元音乐原创榜要和你saygoodbye啦，更多电台内容比如新声驾到等欢迎大家来企鹅FM、喜马拉雅、荔枝、情咖FM、网易云音乐电台、QQ音乐电台等搜索元音乐收听哟！
14、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~
15、导读：今天和大家分享一下关于QQ音乐在召回算法中的一些探索和实践。将会从以下五个方面进行介绍：
16、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。
17、酷狗：主界面包括“乐库”、“电台”等七个菜单项。
18、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1700万中国最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。
19、联邦学习有三个分类：
20、
三、QQ音乐个性电台怎么刷新
1、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。
2、
3、
4、二者的软件特色的不同
5、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。
6、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，最后使用sampled_softmax_loss做多分类进行预测。除了融合绝对位置和相对时间，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%。
7、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。
8、一场围绕“音乐出行”的跨界营销
9、今天的分享就到这里，谢谢大家。
10、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。
11、联邦学习召回
12、
13、Q3：多兴趣的召回，每个兴趣数的召回数量怎么选？
14、
15、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?
16、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，最后达到最好的结果。
17、关于我们：
18、
19、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。
20、以MIND模型为例，多兴趣模型有几个非常重要的模块，例如：
四、qq音乐个性电台怎么不见了
1、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；
2、
3、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。
4、纵向联邦学习，主要是触达用户的相似，它特点是用户重叠多；
5、
6、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。
7、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。
8、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
9、踏春行音乐电台，
10、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。
11、
12、
13、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。
14、
15、用户的兴趣向量聚簇的区分度不够。
16、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。
17、
18、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。
19、业务介绍
20、
五、QQ音乐个性电台和雷达
1、挖掘音频召回的方式，为用户召回“听感相似”的歌曲；
2、基于上面的三个问题，我们提出了以下解决方案：
3、歌曲Embedding的聚簇效果不是很好；
4、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。
5、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)。
6、酷我：北京酷我科技有限公司
7、音频特征挖掘方法
8、二者的出品公司不同
9、
10、接下来介绍QQ音乐推荐场景的一些特点。
11、序列与多兴趣召回
12、
13、
14、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。
15、
16、在最开始尝试模型的时候遇到了一些问题，比如：
17、上图中可以看到每一个产品的特点及形态各异。例如：个性电台提供沉浸式听歌体验；AI算法歌单每天更新30首歌曲。这些多种多样的产品形态，对推荐算法和架构都提出了诸多的挑战。不同形态入口的优化目标和样本的构造都不尽相同。
18、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
19、步骤如下：
20、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。
六、qq音乐个性电台
1、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。
2、
3、会是在线音乐市场的一门好生意吗？
4、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。
5、
6、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。
7、分享嘉宾：
8、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。
9、应聘简历发送邮件：yldjs001@1com
10、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。
11、个性电台根据天气和时段，采用动效展示。
12、
13、方法步骤
14、三元组的构建有非常多的方法。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率的改善也非常显著。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，可以让歌曲的关联保证准确性和一定的泛化性。
15、以上这些推荐的场景给召回算法带来如下挑战：
16、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。
17、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。
18、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。
19、qq音乐个性电台不能一起听得解决办法:
20、(本文为娱乐独角兽原创独家稿件，未经授权禁止转载！)
1、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。
2、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。
3、活动推荐：
4、
5、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%。
6、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。
7、酷我：
8、酷我：主界面包括“歌词mv”、“推荐”等八个菜单项。
9、QQ音乐播放器是一款带有精彩音乐推荐功能的播放器。
10、往期精选
11、9
12、