如何构建音乐推荐信息空间野兽

一种从 10 月开始，歌手、词曲作者和音乐制作人每天都会向Spotify 等流媒体服务上传 100,000 首新歌。那是太多的音乐。没有现实，无论是替代的还是其他的，即使在一千次生命中，人们也可以想象地听到所有这些。

“我们现在正处于无限连接音乐时代的黎明，”数据炼金术士在太空针塔下宣布。格伦·麦克唐纳 (Glenn McDonald) 自己选择了自己的头衔，他更喜欢“炼金术”及其深奥的联想，而不是现在常见的“数据科学”。正如他在舞台上所描述的那样，他的工作是“使用数学、打字和计算机来帮助人们理解和发现音乐。”

麦克唐纳在音乐流媒体服务 Spotify 实践了他的炼金术，在那里他致力于将大数据的基础材料——听众互动的日志、数字音频文件的比特，以及他能得到的任何其他东西——转化为有价值的黄金：产品可能会吸引并留住付费客户。麦当劳炼金术的神秘力量在于，如果处理得当，普通数据似乎可以从细小的交互痕迹转变为厚重的文化意义。

那是 2014 年，麦当劳出席了流行音乐大会，这是一年一度的音乐评论家和学者聚会，地点在西雅图市中心一座由弗兰克盖里设计的皱巴巴的建筑堆里。我在这个国家的另一边，我在网上关注。那一年，会议的主题是“音乐与移动”，Mc Donald 以讲述他个人的音乐之旅开始他的演讲，边走边演奏样本。“当我还是个孩子的时候，”他开始说道，“你是通过静静等待来发现音乐的。” 小时候在家时，他听父母用立体声播放的民谣音乐。但随着他长大，他的收听范围扩大了：汽车收音机播放重金属和新浪潮;互联网揭示了一个充满新的和晦涩的流派的世界，可供探索。曾经他被困在原地，被动地观察偶然经过的音乐，他最终将通过他不断开阔的音乐视野来衡量他生活的进步。麦克唐纳设法将这种热情变成了一种职业，致力于帮助其他人探索他所谓的“音乐世界”，点播流媒体服务比以往任何时候都更容易进入。

在其他地方，McDonald (2013) 将音乐世界描述为风景：“沿着任何一条路走，不管它看起来多么不可能和无人涉足，你都会发现一个隐藏的山谷，那里有一百支乐队住在那里多年来，以有条不紊和特殊改变的缩影重建音乐世界，如澳大利亚嘻哈、匈牙利流行、微型豪斯或维京金属。”

穿越音乐世界的旅行者会发现熟悉和惊喜——他们从未想过的声音和他们喜欢的歌曲。麦克唐纳对这种能够听到来自世界各地(苏格兰、澳大利亚或马拉维)的音乐的新能力感到惊奇。“最适合你的音乐可能来自地球的另一边，”他说，但这不是问题：“在音乐中，我们有传送器。” 点播流媒体提供了一种音乐流动性，让听众可以瞬间穿越音乐世界。

然而，他重复了一句老话，建议说，这个世界的规模可能是巨大的，难以驾驭。“为了让这个新世界真正受到重视，”麦克唐纳说，“我们必须找到绘制这个空间的方法，然后建造机器，带你沿着有趣的路径穿越它。” Spotify 等公司提供的推荐系统就是机器。麦当劳最近的工作集中在地图上，或者正如他在另一次演讲中所描述的那样：“一种薄薄的一层模糊不清的秩序，覆盖着世界上所有音乐的扭动、涌动、永不满足地扩展的信息-空间-野兽。”

尽管他的语言可能异常富有诗意，但麦克唐纳表达了音乐推荐制作者广泛认同的对音乐多样性的理解：音乐存在于一种空间中。从某种意义上说，这个空间相当普通——就像你可能走过的风景，在你走过的时候遇到新事物。但从另一种意义上来说，这个空间又是深深的诡异：在山谷和丘陵的背后，有一头翻腾、涌动的猛兽，不断的生长着，将空间中的点点滴滴捆绑在一起，无限相连。音乐空间看起来就像从太空针塔顶部看到的群山一样自然;但它也可能看起来像是其底部的人造拓扑混乱。它是有机的和直观的;它是技术性的和混乱的。

空间隐喻为思考音乐推荐制作者之间的差异提供了一种主导语言，就像它们在机器学习和更普遍的欧美文化中所做的那样。在这些背景下，很容易想象某些相似的东西聚集在这里，而其他不同的东西聚集在那里. 在与工程师的对话中，很常见的是通过手势发现音乐空间，这些手势将扬声器包围在一个想象的环境中，该环境由空气中的短暂捏合组成，并由手的挥动组织起来。一种类型在您的左侧，另一种类型在您的右侧。在散落在办公室各处的白板和窗户上，您可能会发现音乐空间以二维方式呈现，其中包含一系列聚集并散布在平面上的点。

在音乐空间中，相似的音乐就在附近。如果您发现自己置身于这样的空间中，您应该会被自己喜欢的音乐所包围。要找到更多，您只需要环顾四周并移动即可。在音乐领域，流派就像地区，播放列表就像通道，而品味就像漂流的群岛领土。您最喜欢的新歌可能就在地平线上。

但是，尽管它们很熟悉，但这样的空间却很奇怪：相似之处随处可见，看似相距甚远的点可能会突然变得相邻。如果你问，你会了解到所有这些空间表示仅仅是一些更复杂的东西的简化，一个空间不包含两个或三个维度，但可能包含数千个维度。这是麦当劳的信息空间野兽，一种将人类空间直觉延伸到突破点的数学抽象。

像这样的空间，通常称为“相似性空间”，是大多数机器学习工作的象征性领域。为了对数据点进行分类或推荐项目，机器学习系统通常会在空间中定位它们，将它们聚集成簇，测量它们之间的距离，并在它们之间划定界限。正如文化理论家 Adrian Mackenzie(2017 年，第 63 页)所说，机器学习“将所有差异呈现为移动的距离和方向。” 因此，虽然音乐空间在某种意义上是一个非正式的隐喻(音乐变化的景观)，但在另一种意义上它是一个高度技术化的正式对象(算法推荐的数学基础)。

通过技术基础设施和日常对话对数据传输的空间理解;它们既是一种隐喻表达形式，又是一种具体的计算实践。换句话说，这里的“空间”既是一种形式主义——一种通过抽象促进精确性的受限的技术概念——也是人类学家 Stefan Helmreich (2016, 468) 所说的非正式主义——一种与形式技术并驾齐驱的较不严格的隐喻。在实践中，通常很难或不可能将技术特异性与其隐喻伴奏分开。当音乐推荐的制作者谈到空间时，他们同时在比喻和技术上说话。

对于许多评论家来说，机器学习的这种“几何理性”(Blanke 2018)使它成为“文化”本身的诅咒：它量化品质，使激情合理化，并将文化对象从日常社会背景中提取出来，重新安置在无菌的孤立环境中。一个计算网格。例如，主流文化人类学长期以来一直将自己定义为反对这些形式主义，这些形式主义似乎缺乏我们通过民族志寻求的生活经验的厚度、敏感性或充分性。正如政治理论家 Louise Amoore 和 Volha Piotukh (2015, 361) 所建议的那样，此类分析“将不同形式的生活和数据简化为同质的计算空间”。

用地理学家 Henri Lefebvre (1992) 的术语来说，相似空间是“抽象空间”的明显例子——一种表征空间，其中一切都是可测量和量化的，由为资本服务的中央当局控制。媒体理论家 Robert Prey (2015, 16) 将 Lefebvre 的框架应用于流媒体音乐，他认为像 McDonald 这样的人——“数据分析师、程序员和工程师”——主要关注抽象的、构想的计算和测量空间。在列斐伏里的思想中，构思空间寄生在社会生活空间上，普雷将其与抵制和重新诠释技术人员工作的听众联系在一起。在这个框架中，资本主义下抽象空间的传播预示着“被构想的人毁灭性地征服了生活”(Wilson 2013)。

但对于使用它的人来说，音乐空间并不像一个无菌的网格，即使是最数学的。音乐推荐的制作者并不局限于构思空间的精致抽象。在他们的训练过程中，他们学会了体验音乐空间，尽管它有潜在的陌生感，但它是普通的、适合居住的。音乐空间就像要走过的风景一样直观，又像复杂、高度维度的工程对象一样陌生。借用与文化地理学的一个常有问题的区别，他们将“空间”视为“地点”，就好像抽象的、同质的网格是一种宜居的地方环境。

相似空间是许多决定的结果;它们绝不是“自然的”，像麦克唐纳这样的人意识到他们所做的选择可以深刻地重新安排他们。然而，空间隐喻，跨越语音、手势、插图和计算，有助于使文化数据中的模式感觉真实。地图和领土之间的混淆——可延展的表示和客观地形之间的混淆——对于那些既有兴趣创造客观知识又关心解释他们自己对过程的主观影响的人来说是富有成效的。这些空间理解改变了流派等音乐概念或品味等社会现象的含义，将它们呈现为聚类形式。