機(jī)器學(xué)習(xí)是我們?cè)?Spotify 所做一切的核心所在。特別是在 Spotify 的主頁(yè)面上，它使我們能夠提供個(gè)性化的用戶體驗(yàn)，并為數(shù)十億粉絲提供欣賞藝術(shù)家作品并從中獲得啟發(fā)的機(jī)會(huì)。這就是 Spotify 的獨(dú)到之處。

在我們的工程部門，我們正在努力聯(lián)合自主團(tuán)隊(duì)，通過建立工具和方法上的最佳實(shí)踐來提升工作效率。我們最近采用的標(biāo)準(zhǔn)化機(jī)器學(xué)習(xí)基礎(chǔ)架構(gòu)為我們的工程師提供了能夠快速創(chuàng)建和迭代模型的環(huán)境和工具。我們稱其為 “鋪平道路” 方法，其中包括利用 TensorFlow，Kubeflow 和 Google Cloud Platform 的服務(wù)。

加入 Spotify 之前，我曾在 Netflix 從事個(gè)性化算法和主頁(yè)面內(nèi)容的工作。我以前的經(jīng)驗(yàn)與現(xiàn)在我在 Spotify 擔(dān)任工程副總裁兼機(jī)器學(xué)習(xí)負(fù)責(zé)人的工作非常相似。但是，個(gè)性化 Spotify 的主頁(yè)面會(huì)帶來一系列新的挑戰(zhàn)，我將稍后分享。

機(jī)器學(xué)習(xí)使我們能夠推薦藝術(shù)家，歌單和播客，從而使用戶變得更佳活躍并更有可能長(zhǎng)期訂閱。理論上這些都很棒，但是怎樣能使我們比競(jìng)爭(zhēng)對(duì)手做得更好呢？畢竟，我們并不是唯一一家試圖構(gòu)建定制化著陸頁(yè)，以其獨(dú)特價(jià)值吸引用戶的內(nèi)容流媒體平臺(tái)。

Spotify 的主頁(yè)面

答案：個(gè)性化的力量

與 Netflix 一樣，我們使用一系列的卡片和架子來組織主頁(yè)面。卡片是用來展示歌單，播客，專輯，藝術(shù)家頁(yè)面等內(nèi)容的方形圖像。架子是用來將這些卡片打包并排成一行。您可以將它想象為一個(gè)書櫥（Spotify 主頁(yè)面）在使用書架（架子）來保存和展示圖書（卡片）。

以此類推，每個(gè)人的書架都會(huì)根據(jù)他們的興趣和閱讀歷史來進(jìn)行特別的布置。但是，與實(shí)體書架不同，Spotify 使用機(jī)器學(xué)習(xí)根據(jù)用戶之前喜歡或可能喜歡的內(nèi)容來個(gè)性化架子和卡片，并向數(shù)百萬用戶個(gè)性化地展示。

我們將機(jī)器學(xué)習(xí)與用戶的數(shù)據(jù)相結(jié)合，包括他們的播放歷史、音樂口味、播放時(shí)長(zhǎng)以及他們對(duì)推薦內(nèi)容的喜好程度。這樣的結(jié)合使得我們擁有了高級(jí)別的個(gè)性化能力，能夠?qū)崟r(shí)創(chuàng)建個(gè)性化主頁(yè)面滿足多達(dá) 2.48 億月活躍用戶 (MAU, Monthly Active Users) 的需求。我們要說的是，并沒有“一個(gè)”真正的 Spotify。實(shí)質(zhì)上，該產(chǎn)品有 2.48 億個(gè)版本，每個(gè)用戶都在使用專屬于他們的獨(dú)特版本！

卡片和架子

參與度與基于研究的推薦

從機(jī)器學(xué)習(xí)的角度來看，我們使用 Multi-Armed Bandit 作為框架解決利用與探索的難題。在工程領(lǐng)域之外，“利用”可能具有負(fù)面含義。但是，在制造個(gè)性化內(nèi)容體驗(yàn)的推薦系統(tǒng)中，“利用”表示應(yīng)用程序會(huì)根據(jù)用戶先前選擇的音樂或播客提供推薦內(nèi)容。“探索”通過推薦未知內(nèi)容，根據(jù)用戶與推薦內(nèi)容的互動(dòng)反饋以進(jìn)一步了解用戶的喜好。“利用”與“探索”大不相同，后者基于不確定的用戶參與度，并且更多的被用作研究工具。這種平衡框架確保我們?cè)诿鎸?duì)無論是新用戶還是老用戶都能實(shí)現(xiàn)個(gè)性化設(shè)置。我們還采用反事實(shí)訓(xùn)練和推理來評(píng)估我們的算法，而無需 A/B 測(cè)試或隨機(jī)實(shí)驗(yàn)。

利用與探索
https://dl.acm.org/doi/10.1145/3240323.3240354

借助來自用戶的數(shù)據(jù)，我們得以呈現(xiàn)您喜歡的內(nèi)容，這些數(shù)據(jù)包括最近播放的專輯，反復(fù)播放的曲目和訂閱的播客等。同時(shí)，我們會(huì)根據(jù)收聽歷史記錄推薦新的曲目和藝術(shù)家。這些曲目打包成歌單的形式，例如歌單“更加喜歡”，“為您推薦”和“為您定制”。盡管主界面看起來自然且連續(xù)，但是您看到的幾乎所有內(nèi)容都是由“利用與探索” (Exploitation and Exploration) 方法生成的。

當(dāng)然，只有在不間斷地使用大量數(shù)據(jù)進(jìn)行實(shí)驗(yàn)時(shí)，此方法才有效。為了讓您直觀地感受到規(guī)模上的差別，我們?cè)俅螌?Spotify 主頁(yè)面與 Netflix 的主頁(yè)面進(jìn)行比較。兩個(gè)主頁(yè)面都有相似的設(shè)置和挑戰(zhàn)，對(duì)嗎？不完全對(duì)。最大的區(qū)別在于用戶和內(nèi)容數(shù)據(jù)的規(guī)模大小，隨之而來的便是我們必須擴(kuò)展機(jī)器學(xué)習(xí)的規(guī)模以匹配如此大規(guī)模的需求。

數(shù)字說明了一切。Netflix 擁有約 1.58 億用戶，在 Spotify，我們有 2.48 億用戶。最重要的是，Netflix 在所有地區(qū)共計(jì)擁有約 5,800 部電影和節(jié)目，而 Spotify 卻擁有超過 5,000 萬首音樂曲目和 500,000 個(gè)播客電臺(tái)。

還要注意的是，單集 Netflix 的內(nèi)容的時(shí)長(zhǎng)是從半小時(shí)（類似于情景喜劇）到長(zhǎng)達(dá)幾個(gè)小時(shí)（電影）。而 Spotify 上面的一支曲目的典型時(shí)長(zhǎng)大概是三分半鐘。考慮到需要索引的內(nèi)容數(shù)據(jù)的頻率和數(shù)量，這會(huì)導(dǎo)致在規(guī)模上的巨大差異。

結(jié)果呢？就是我們需要一個(gè)高度可擴(kuò)展的環(huán)境，讓我們可以運(yùn)行大量、不間斷的實(shí)時(shí)實(shí)驗(yàn)，從而使我們能夠更好地利用我們的數(shù)據(jù)，為聽眾提供出色的體驗(yàn)。

從脆弱到牢不可破

在 Spotify 成立之初，我們編寫了許多自定義資料庫(kù)和 API，以推動(dòng)我們的個(gè)性化工作背后的機(jī)器學(xué)習(xí)算法。這向機(jī)器學(xué)習(xí)團(tuán)隊(duì)提出了一些挑戰(zhàn)。在嘗試擴(kuò)展我們的機(jī)器學(xué)習(xí)實(shí)踐時(shí)，支持多個(gè)系統(tǒng)對(duì)于我們的工程師而言并不是理想的維護(hù)方式，并且與我們當(dāng)前為提高工程師生產(chǎn)力所做的努力不符。

例如，我們需要研究 Multi-Armed Bandit 框架下的不同學(xué)習(xí)模型，包括邏輯回歸，提升樹 (Boosted Tree) 和更復(fù)雜的模型，如最新的深度神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)。我們一直在不斷重寫代碼，以使系統(tǒng)的各部分保持一致。完成一項(xiàng)實(shí)驗(yàn)后，留給我們的是一個(gè)有隱患而脆弱的系統(tǒng)，擴(kuò)展性也很差，還需要在快速的生產(chǎn)環(huán)境中支持多個(gè)框架。在這種環(huán)境下是很難進(jìn)行迭代和創(chuàng)新的。

這就是為什么我們轉(zhuǎn)向標(biāo)準(zhǔn)化機(jī)器學(xué)習(xí)基礎(chǔ)架構(gòu)如此寶貴和及時(shí)的原因。TensorFlow Estimators 和 Tensorflow Data Validation 幫助我們最大程度地減少許多以前需要人工自定義的工作量。借助 TensorFlow Estimators，我們可以比以前更快地訓(xùn)練和評(píng)估模型，從而大大加快了迭代過程。

此外，遷移到 Kubeflow 非常有價(jià)值，因?yàn)樗鼛椭覀兏玫毓芾砉ぷ髫?fù)載，并加快實(shí)驗(yàn)和產(chǎn)出 (Roll out) 的速度。現(xiàn)在，更快的自動(dòng)訓(xùn)練顯著加速了我們的機(jī)器學(xué)習(xí)算法的訓(xùn)練過程。

使用 Tensorflow Data Validation，我們無論在開發(fā)過程中還是在評(píng)估和產(chǎn)出期間均可以發(fā)現(xiàn)數(shù)據(jù)流水線和機(jī)器流水線中的錯(cuò)誤。現(xiàn)在，借助儀表板，我們可以快速觀察到流水線中存在的任何數(shù)據(jù)缺失或不一致之處，這要?dú)w功于儀表板所繪制的不同數(shù)據(jù)集上的要素和計(jì)數(shù)的分布圖。

在一種情況下，我們看到訓(xùn)練數(shù)據(jù)中缺少付費(fèi)會(huì)員的樣本，而評(píng)估流程中缺少了免費(fèi)用戶的數(shù)據(jù)樣本。從機(jī)器學(xué)習(xí)的角度來看，丟掉這些有價(jià)值的數(shù)據(jù)集是很可怕的，所幸我們可以用 TFDV 快速捕獲它。更棒的是，我們還可以配置儀表板針對(duì)特定閾值觸發(fā)警報(bào)，因此我們的工程師不必?fù)?dān)心數(shù)據(jù)流水線的錯(cuò)誤會(huì)流入系統(tǒng)。

架構(gòu)升級(jí)帶飛研發(fā)

為用戶創(chuàng)建個(gè)性化主頁(yè)的體驗(yàn)代價(jià)不菲。以前，我們的工程師花費(fèi)大量時(shí)間來維護(hù)數(shù)據(jù)和后端系統(tǒng)。后來我們使用前文提到的工具（TensorFlow Extended、Kubeflow 和 Google Cloud Platform 生態(tài)系統(tǒng)）對(duì)我們的 ML 基礎(chǔ)架構(gòu)進(jìn)行標(biāo)準(zhǔn)化。ML 架構(gòu)標(biāo)準(zhǔn)化讓我們?cè)诠こ虒?shí)踐和生產(chǎn)力方面有了更好的理解。我們新近建立的最佳實(shí)踐有一個(gè)顯著優(yōu)勢(shì)，即它可以幫助我們?cè)诙唐趦?nèi)大大提高用戶滿意度（對(duì)比基于流行度的基線）。

話雖如此，我們的實(shí)踐只是初出茅廬。我們決定繼續(xù)研究如何掌控機(jī)器學(xué)習(xí)與 AI 的力量，為我們的用戶提供更加個(gè)性化的體驗(yàn)。

投資技術(shù)就是投資工程師

我們對(duì)這些技術(shù)的投資也是對(duì)機(jī)器學(xué)習(xí)工程師及其生產(chǎn)力的投資。我們希望我們的工程師專注于創(chuàng)新，并在 Spotify 推動(dòng)機(jī)器學(xué)習(xí)的發(fā)展，而不是參與耗時(shí)的基礎(chǔ)架構(gòu)維護(hù)工作。我們的工程文化圍繞著盡可能高產(chǎn)和高效的原則來幫助我們繼續(xù)擴(kuò)展平臺(tái)，同時(shí)也為創(chuàng)作者和消費(fèi)者創(chuàng)造了良好的用戶體驗(yàn)。

定制 Spotify 主頁(yè)面只是 Spotify 個(gè)性化的冰山一角。機(jī)器學(xué)習(xí)是一個(gè)令人興奮的創(chuàng)新領(lǐng)域，我們?nèi)栽诓粩嗯鉀Q創(chuàng)建個(gè)性化體驗(yàn)方面的挑戰(zhàn)。如果您有興趣幫助我們解決機(jī)器學(xué)習(xí)工程方面的挑戰(zhàn)，歡迎查看招聘職位并加入我們的團(tuán)隊(duì)。

責(zé)任編輯：lq