KKBOX 的個人化音樂推薦系統

顏理謙、何佩珊，KKBOX 再優化！耗時三年，打造個人化音樂推薦系統，數位時代， 2016.10.12

她表示，目前 KKBOX 曲庫中共有 3 千萬首歌曲，為了提升使用者體驗，從 2013年開始，KKBOX 的資料科學團隊和台大、中研院和政大等學術單位密切合作，持續優化演算法。政大資訊科學系教授蔡銘峰指出，這次推出的演算法採用最新深度學習技術，並基於深度學習的基礎提出新的表示式學習方法，讓用戶可以更容易接觸到自己感興趣的歌曲、歌手、專輯或曲風。

蔡銘峰舉例，過去傳統作法，可能是去記下一首歌的曲名、歌手名、音樂類型等標籤，但現在的作法則是要讓資料自己去定義出特徵。就好像 Google 開發機器人在 YouTube 的影音裡面去定義出貓是什麼樣子一樣。「所以重點是資料量要夠大，才能 Drive 出來。」他也補充，過去只能在歌曲增加關聯性，但現在則是可以把更多的使用者因素也加進來分析。 

給消費者驚喜，創造音樂平台的價值 

而實際上，林華表示，在測試時，他們透過「消費者是否點下推薦音樂」、「有沒有聽完推薦音樂」，和「聽推薦音樂的數量是否增加」這三點來判斷，發現新的演算法確實比過去更精準、更有效。 

林華也指出，當消費者總是只聽那幾首歌時，KKBOX 的價值就難以被凸顯，但若能經由推薦機制，讓消費者因為聽到喜歡卻從來沒注意過的歌曲而感到驚喜時，消費者就會更喜歡 KKBOX。

顏理謙，台灣最大串流音樂服務的大腦：KKBOX 研究中心，數位時代，2016.12.29

今年 10 月，KKBOX 發表了一套與台大、政大、中研院資料科學專家合作開發的演算法，數據顯示，新演算法上線後，用戶開啟 KKBOX 後的跳出率減少 25%，App 的點擊互動率成長近四成，最驚奇的是，用戶透過新版的「發現」功能，聽到的歌曲有七成以上是一周前沒聽過的新歌。而這套演算法的幕後功臣，就是 KKBOX 研究中心 (Research Develop Center, RDC)。 

KKBOX 研究中心成立於四年前，分為「機器學習 (Machine Learning)」和「資料科學 (Data Science)」兩大組別，目前研究中心成員約十多人，兩個組別人數大約各占一半。 

機器學習組的工作內容是運用演算法提升產品功能，同時也和學界密切合作，從實驗室的前期探索中找尋產品化的機會。而資料科學組則是負責收集和分析大量用戶資料，比方說用戶的使用頻次、付費狀況、興趣和喜灣的藝人等，並以此預測用戶未來的行為、提供更個人化的服務。 

平時，這兩個組別和公司各個部門都有緊密互動。以資料科學組來說，業務性質就會和營運策略規劃部 (Business Insights team)、行銷、商業開發部門有關，透過資料科學組提供的數據，其他部門可以知道過去操作的成效或預測未來行銷成績。機器學習組則和產品功能最接近，產品經理、工程師、編輯和外部專家都是合作對象。 

兩個團隊各司其職，但彼此也相輔相成。「機器學習背後其實有非常多的 factor (因素)，可是到底哪一些 factor 真的對我們實際做出來的功能、使用者用起來是有感的？這些都需要資料科學來協助。」負責帶領研究中心的產品開發中心副總經理林華說。 

她指出，數位產品的優點就是可以追蹤使用者的每一個步驟。一般來說，使用者聆聽音樂時，可分為「主動式聽歌」(lean forward) 和「被動式聽歌」(lean back) 兩種行為模式。前者是使用者很清楚自己現在要找哪一個歌手、哪一首歌曲，而後者則是跟著編輯挑選的歌單加上系統推薦的音樂，或是開啟電台模式，讓系統自動推送歌曲。 

「主動和消極被動，其實意圖差很多。同樣是聽過一首歌，這首歌是你自己找來反覆聽的，還是你跟著 (歌單) 聽過，沒有對這首歌產生任何互動？我們在做個人化推薦的時候，很多訊號都會挖出來看。」林華說，他們會透過數據觀察用戶對音樂的意圖，並跟著優化演算法，而那些「用戶雲淡風輕跟著聽過去、毫無感覺而且只聽過一次兩次的歌」，就會被排在比較後面。也就是說，用戶的互動行為越多，KKBOX 就會越了解你。 

林華表示，目前在 KKBOX 用戶中，主動式聽歌和被動式聽歌這兩種類型的用戶比例難以量化比較，不過她認為，當推薦系統做得越來越好時，被動式聽歌的比例應該會逐漸增加。「我們當然是希望使用者越省力越好！」她笑說。 

讓用戶越聽越多元 

新版演算法專案是在今年春天正式啟動，不過在這之前，研究中心早已做過多次測試和優化。「其實我們在舊的首頁就已經偷偷先行 AB test 了。」研究中心機器學習組經理陳怡安說。 

她指出，過去，KKBOX的首頁是採用規則導向 (Rule-Based) 推薦，先掌握使用者喜歡的歌手和曲風後，再以比對方式推薦歌曲給使用者。規則導向演算法雖然簡單直接且容易解釋，但是也有極限。「因為每個人喜歡的都不一樣，所以你可能要為這群人建立很多規則，但是在整體 CTR (點閱率) 的表現上，很難去做系統性的優化。」 

但如果是透過機器學習，效能反而更高。「今天有 CTR 這個目標，我就用點擊紀錄把這些資訊萃取出來。這些點擊紀錄代表我要追尋的目標，所以這些人和物的特質就變成 feature。透過機器學習演算法，可以把這些人和物的 feature 加以演算，排在前面。」不過相對來說，機器學習也較為繁瑣和複雜，需要花費更多心力。 

新版演算法推出已快三個月，從數據看來，研究中心的苦心沒有白費。林華表示，明年1月還會推出「tell us what you like」的功能，當新用戶進到 KKBOX，可以先挑選幾種自己喜歡的曲風，讓系統自動配對該類型的熱門歌手，就像是跟KKBOX 做「自我介紹」一樣。