从"人找歌"到"歌找人"：汽水音乐推荐系统的工作机制与用户调教方法

引言

传统的音乐播放器依赖用户主动搜索——你知道自己想听什么，然后去找。但越来越多的听歌场景是「我也不知道想听什么，放点合适的就行」。这背后是推荐系统从"检索型"到"发现型"的范式转变。

汽水音乐作为字节跳动旗下的音乐流媒体产品，其推荐系统继承了抖音的技术基因。本文不讨论曲库和UI，只聊推荐机制本身和用户的调教方法。

推荐系统的技术框架

汽水音乐的推荐链路大致分为四个阶段：

召回 → 粗排 → 精排 → 重排

• 召回阶段：从千万级曲库中快速筛选出几百首候选歌曲。召回策略包括协同过滤（和你相似品味的用户听了什么）、内容召回（歌曲风格/语言/年代等特征匹配）、以及来自抖音生态的跨平台信号。
• 粗排阶段：用轻量级模型对几百首候选做初步打分，过滤掉明显不相关的。
• 精排阶段：使用深度学习模型（如Wide&Deep、DIN等）进行精准打分，综合考虑用户的历史行为、上下文特征和歌曲特征。核心优化目标超过100个，包括完播率、收藏概率、分享概率等。
• 重排阶段：对精排结果做多样性调整，避免连续推荐同一歌手或同质化内容，并插入一定比例的探索性内容。

这个框架虽然各家音乐平台都在用，但汽水音乐的关键差异在于抖音数据的注入——你在抖音上对某首歌的停留时长、收藏、复听，直接成为推荐系统的强信号。

用户行为信号与权重

推荐系统不是读心术，它依赖的是你的行为数据。以下是汽水音乐中不同行为的信号强度（从弱到强）：

1. 切歌（弱负信号）——听到一半切走，说明不感兴趣

2. 听完（弱正信号）——完整听完一首歌

3. 搜索（中正信号）——主动搜索某歌手/歌曲

4. 收藏/红心（强正信号）——最高权重的正向反馈

5. 加入歌单（强正信号）——说明愿意反复听

6. 分享（极强正信号）——愿意推荐给别人

理解这些信号权重，就能有意识地"训练"你的推荐流。

如何调教推荐算法

以下方法来自实际使用经验，不需要任何技术背景：

方法一：果断用「不喜欢」

长按推荐页中的歌曲，选择「不感兴趣」。很多用户觉得这个操作太"伤人"，不愿意点。但算法需要负反馈来收敛推荐范围。如果一首风格你不喜欢的歌没有明确标记，算法会认为"用户至少听完了，不算讨厌"，下次还会推类似的。

方法二：善用收藏而非仅听完

听完了一首觉得不错的歌，如果只是滑动到下一首，算法接收到的信号很弱。点一下红心，这个信号权重要高得多，相当于告诉系统"这类型的多来点"。

方法三：周期性清理收藏

收藏夹是你音乐口味的数据快照。如果你三个月前狂听了一周的电音然后腻了，但这批歌还在收藏夹里占着，算法会持续认为你喜欢电音。定期清理收藏夹，把不再想听的歌移除，推荐流会更符合当前口味。

方法四：利用抖音收藏反向输入

这是汽水音乐独有的调教路径。在抖音上看到喜欢的BGM就收藏，这些歌曲会同步到汽水音乐的默认歌单中，同时成为推荐系统的种子信号。反过来说，如果你想听某类特定的歌，可以先去抖音刷相关类型的视频并收藏BGM，回到汽水音乐后推荐流就会往这个方向偏移。这比直接在App里搜索关键词效率更高，因为视频的视觉内容本身已经做了一层内容筛选。

与抖音生态的协同效应

汽水音乐的一个独特机制是"视觉→听觉"的转化。传统音乐平台只能靠音频特征做推荐，而汽水音乐额外拥有抖音端的视觉上下文信息。比如一首歌在抖音上被大量用于旅行类视频，算法就能推测这首歌适合放松场景；如果被大量用于健身视频，就归入运动类推荐。

这种跨模态的推荐特征在传统音乐App上是没有的。但它也有代价——汽水音乐的推荐不可避免地偏向"抖音热门BGM"的审美区间。如果你偏好的音乐类型在抖音上不流行（比如古典乐、爵士、实验音乐），推荐效果会打折扣。

局限性

客观说几点推荐系统的问题：

• 冷启动问题：新用户前几天的推荐会比较泛，需要积累足够的行为数据后才能精准。建议初期多用手动搜索来"引导"算法。
• 回音壁效应：长期只靠推荐听歌，音乐口味会越来越窄。定期手动搜索完全陌生的类型可以打破这个循环。
• 对非抖音用户不友好：如果你不用抖音，汽水音乐的推荐优势会削弱一半以上。跨平台数据是它的核心差异化来源，缺少这部分输入后，推荐水平和其他平台拉不开差距。

结语

汽水音乐的推荐系统本质上是一个行为驱动的发现引擎。它不是在帮你"找到某首歌"，而是在帮你"找到你可能会喜欢但还不知道的歌"。理解它的工作机制后，花一点时间主动调教，推荐流的质量会有明显提升。如果你愿意把它当成一个音乐探索工具来用，而不是曲库检索工具，它会比想象中好用。

---

【AI辅助创作声明：本文由 AI 辅助整理与撰写，内容已经过人工审校与调整。】

免责声明：本文基于公开资料和实际使用经验撰写，所涉及的技术细节为推测性分析，不代表**实现方案。软件功能以最新版本为准。

配图思路：

• 图1：推荐系统四阶段流程图（召回→粗排→精排→重排）
• 图2：用户行为信号强弱对比示意图（从切歌到分享的层级）
• 图3：收藏夹清理操作步骤截图
• 图4：抖音收藏→汽水音乐收藏同步示意图
• 图5：跨模态推荐示意图（抖音视频场景→音乐推荐的映射）
• 图6：冷启动与长期使用的推荐精度对比曲线概念图