您现在的位置是：阿珂个性网 > 好听网名 > >正文
QQ音乐个性电台(QQ音乐个性电台和雷达66个)
发布时间：2024-02-03 10:04:35 admin 阅读:59
一、qq音乐个性电台
1、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。
2、而围绕用户的实际情况和消费习惯展开的场景化营销动作，在达成品牌与用户之间的黏性互动时，也能够以音乐场景为切入口，主动引导用户进行场景识别，从而产生社群效应。QQ音乐与滴滴出行之间的跨界融合，在将音乐糅进用户方方面面的线下体验、不断触发用户的场景记忆同时，也给了在线音乐行业一个新的思考方向。
3、用户属性稀缺，冷启动相对困难。
4、酷狗：
5、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。
6、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。
7、
8、
9、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；
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、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、
13、Q4：音频特征相关的内容
14、元音计划 | 入驻元音乐教程
15、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。
16、
17、酷我：主界面包括“歌词mv”、“推荐”等八个菜单项。
18、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；
19、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？
20、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的聚类有非常明显的改善，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有一个非常明显的提升。
二、QQ音乐个性电台
1、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。
2、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~
3、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：
4、酷狗：酷狗科技公司
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、1
7、挖掘音频召回的方式，为用户召回“听感相似”的歌曲；
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、
10、
11、踏春行音乐电台，
12、 “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。
13、(本文为娱乐独角兽原创独家稿件，未经授权禁止转载！)
14、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。
15、
16、在文末分享、点赞、在看，给个3连击呗~
17、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：
18、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。
19、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。
20、二者的主界面的区别
三、QQ音乐个性电台和雷达
1、编辑整理：曾新宇对外经贸大学
2、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。
3、在QQ音乐主面板。点击QQ音乐-设置
4、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?
5、二者的出品公司不同
6、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；
7、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。
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、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最重要的一环。在去年6月5版本更新后，QQ音乐首次面世的“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。
10、
11、
12、
13、7
14、基于上面的三个问题，我们提出了以下解决方案：
15、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。
16、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。
17、
18、联邦学习召回
19、3
20、Q5：QQ音乐技术栈是什么样的？
四、QQ音乐个性电台怎么刷新
1、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。
2、互联网核心应用算法宝藏书PPT电子版下载！
3、今天的分享就到这里，谢谢大家。
4、在最开始尝试模型的时候遇到了一些问题，比如：
5、用户的兴趣向量聚簇的区分度不够。
6、只要您拥有QQ音乐播放器，就拥有属于您自己的流行音乐。