YouTube 的相关视频算法如何帮助 DJ Boring、DJ Seinfeld 和 Ross From Friends 之类的冷门艺人异军突起走向成功。

一个月之前,XL Recordings 唱片公司的 Imran Ahmed 去 NTS Radio 电台做直播节目。作为这家厂牌的 A&R 负责人,Ahmed 特别关注主流音乐之外的艺人动向,并且每个月都会录制一期电台节目,聚焦他最感兴趣的全新音乐。“我在这家厂牌的工作就是发掘新一代的艺人,希望他们的才华和魅力能够媲美这个厂牌旗下的代表人物。”他在节目的开场中这样说道,“比如 King Krule、Radiohead、Jai Paul……每个月的这个直播节目可以算是我的研究精华,为你带来我眼中当下最好的货。”

在介绍完类似 Sega BodegaMal Devisa 等优秀新人后,这位业界资深人士又播放了数小时合成器元素浓重的 hip-hop 和节奏感爆棚的 bubblegum bass,最后选出了一首来自英国制作人 Ross From Friends 的代表作品“Talk to Me You'll Understand”。但事实上,把这首歌放在这个节目当中实在有些违和,毕竟这早就是一首热门歌曲了,它在 Youtube 上的点击量已经超过了150万,所以 Ahmed 把它当作一首新曲放在节目中播出着实有些奇怪。通常来说,潮流人士的认可会走在大规模网络关注的前面,但这首歌的成名之路却正好相反,这也许标志着网络正在给舞曲音乐的发掘带来改变。

在过去一年中 lo-fi house 这个词开始成为某些生猛音乐的代名词。这是一种 bass 元素浓重、但却是以简单的合成器和采样为基础的音乐。利用磁带的自然 EQ 和卡带的强烈爆音,Ross From Friends、DJ Boring、DJ Seinfeld 等制作人在复古音乐中获得成功。这些制作人把近年来张狂的 house 和一系列新奇的声音结合在一起,即便这些都是来自过去的音乐,依然能给人一种耳目一新的感觉。震颤的七和弦 pad 和巨响的 kick 几乎掩盖了音乐的其它部分,类似“Talk to Me You'll Understand”之类的作品将 house 的灵魂展现得淋漓尽致,各种舞曲元素精巧地编织在一起,让人感觉就像将近四十年前芝加哥 Warehouse 时代的 trax 厂牌唱片一样清新脱俗。

早前关于 lo-fi house 的报道常常形容它“缺乏新意”,而 lo-fi house 这个词也几乎成了爱好者之间的一个老梗。因为看惯了各种短命的网络音乐,Lo-fi house 制作者们并不愿意把这种新兴音乐和网络音乐亚文化以及广义的 house 和 techno 区分开来。不同于渴望给自己贴上一个独特标签的 hardvapour,Lo-fi house 存在于一系列长寿音乐风格的交叉点,这些音乐风格都致力于打造传唱久远的音乐,而不只是一个昙花一现的流行词。但,就是这样一种饱受误解又鲜有媒体关注的音乐,究竟是如何被伦敦最大厂牌发现的呢?

一开始 lo-fi house 的风格其实接近于 L.I.E.S.1080p 一类的厂牌,但直到它在闭合网络平台上找到属于自己的一席之地,Lo-fi house 才出现了真正的风格变化。现在 lo-fi house 已经成了 Slav YouTube 频道(DJ Boring 的“Winona”就是在这里火起来的)和 Reddit 的 The Overload 社区等地方的常驻音乐,而它的快速传播应该归功于 Youtube 的相关视频(Related Video)功能。即便是在浏览了与之相差甚远的音乐之后,Youtube 依然会向我推荐这些音乐,不管我清理多少次浏览数据、重新设置多少次浏览器缓存和 cookies,甚至使用不同的浏览器和用户账号都无济于事。但 lo-fi house 的流行真的只是视频推荐的结果吗?近期另外几篇文章纷纷谈到这类音乐的巨大点击量,这倒也吸引越来越多人对它进行关注,但这背后是否是 YouTube 和其它网站在支持鼓励这种音乐的崛起呢?

在 Google/YouTube 开发者 Paul Covington、Jay Adams 和 Emre Sargin 为2016年 ACM 会议写的一篇关于推荐系统的论文中,研究者们列出了一张“相关视频”算法的系统架构草图。随着 YouTube 逐渐远离原始的标签系统,开发者们开始依赖机器学习算法的“深度神经网络”作为输入源。

今天,YouTube 的相关视频算法是由两大神经网络组成,首先,“候选生成网络从用户的 YouTube 活动历史中提取事件,并从大型语料库中选出上百个视频。”这其中包括人为和机器记录的“观看视频 ID”、用户输入的查询词条内容、以及从大量未公开来源获得的数据。然后,第二个神经网络将会对可能的匹配视频进行“排名”,排名的方法则是“根据一个目标函数对每个视频进行打分。”通过收集视频点击率、观看次数、以及从观看者自己的浏览数据中获得的大数据,网站便能向用户提供一系列它认为用户可能会喜欢的视频。

但是为什么这些算法总是推荐同样的东西呢?部分原因似乎在于机器学习模仿人类喜好的方式。系统通过对“已观看”vs“跳过推荐”的百分比进行建模,能够为尽可能广泛的观众提供最新、最对胃口的结果。即便是外行人也可以很容易看出:Lo-fi house 其实是处在一系列音乐风格的交叉点。从 house 的资深老粉,到对 vaporwave 开始生厌的全新一代(这两类人都是 lo-fi house 的核心粉丝群),Lo-fi house 给电子音乐迷提供了一片新鲜的处女地,让他们可以沉浸其中。从伊比萨岛 Balearic 时期的 downtempo,到早期朴素的 techno、synth-funk 以及最近的复兴的 new age,Lo-fi house 处在一系列音乐风格和影响的交汇处,代表着多样化音乐元素的碰撞,每个舞曲歌迷都能在其中找到自己喜欢的东西。这种交叠也许代表了 lo-fi house 不可避免的流行化发展趋势。

随着互联网把舞曲压榨殆尽,发端于网络的各种潮流变得越来越索然无味,而 lo-fi house 提供了一个有趣的逻辑终点。这是首个几乎完全依赖于它的传播平台而走向成功的“音乐流派”。随着机器学习的快速发展,发掘音乐变得前所未有地流水线化,Lo-fi house 为未来的发展树立一个先例:视频无限自动播放,热门歌曲越来越多地由日益改变音乐行业的运算模式来决定。就目前来看,我们能做的只有跟上发展的步伐。

Translated by: 陈功

© 异视异色(北京)文化传播有限公司
版权所有,未经授权不得以任何形式转载及使用,违者必究。