「你可以從一個人的歌單，了解他是怎樣的人。」電影《曼哈頓戀習曲》裡是這麼說的。透過KKBOX的新演算法，未來，「以歌單辨人」的準確度又更高了。
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）。
互動越多，才能更了解你
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。
掌握最新AI、半導體、數位趨勢！訂閱《數位時代》日報及社群活動訊息
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。
陳怡安觀察，台灣用戶普遍習慣聽熟悉的音樂，比較少主動聆聽新歌。不過，到今年8月為止，KKBOX曲庫內的歌曲數已經超過3千萬首，不多方嘗試實在有點可惜。「我們最終目標，就是希望大家越聽越多元！」她說。
