作者林真宇，在英國與台灣、高教與產業間移動也生根。目前於卡地夫大學做與音樂和創意產業相關的研究。每天的思考、語言和文字，都和音樂審查和文化政策息息相關。
幾年前，我曾有一份職稱為 Music curator （音樂策展人）的神秘工作。長期遠距上工，彈性工時，從未見過身處全球各地的同事。每個星期，我聽著一些線上系統隨機挑選的歌曲，我評比音樂類型、曲風、情緒等標籤，並告訴系統我喜不喜歡它的推薦。我和系統長期互動著，它也學習著我的喜好與品味。大多數時候，我的工作只是為推薦的合適程度評分；偶爾，我也需糾正錯誤的標籤，當粵語情歌被標成了華語流行（Mandopop），或 1960 年代的英國搖滾被標成了 1990 年代的美國另類搖滾。音樂相關知識，多少還是有些幫助，但我也漸漸發現系統越來越精確。兩年多後，神秘專案解散，系統訓練大功告成。
今日使用串流平台聽音樂的我和你，也在做一樣的事：頻繁使用音樂推薦系統（Music Recommender Systems），有時覺得推薦很棒，時而摸不著頭緒。對於音樂人而言，這也是一團謎：這些音樂推薦，是如何產生的？系統有沒有把自己的音樂，推薦給適合的聽眾？推薦準確與否，對自己的影響是什麼？究竟，系統是為音樂人帶來了可觀的長尾效應，還是推波助瀾大者恆大的局面？關於音樂串流平台的討論一直都轟轟烈烈，而各國從業人員的焦點，從分潤機制、數據透明程度、也漸漸移往串流平台的推薦系統。本系列文章，將與讀者一起探究這些問題的答案。
音樂推薦系統是什麼？
2021 至 2022 年間，英國進行的串流音樂經濟調查（＊1），結案報告中提出的建議，點出音樂人與業者們在串流時代的種種焦慮。結論寫道，新的、獨立廠牌的音樂，在當今串流經濟下面臨能見度與利潤皆低的雙重挑戰，需要特別的扶植；另外，面對美國更龐大的產業與市場，英國本土音樂的出口，政府也應加強支持的力道。這些提問，著眼的面向有許多，但正如大多數扶持音樂場景（Music Scenes）及產業政策討論，常有兩種絕非相互違背，但並不相同的訴求基礎：一是創造產值和就業機會；二則為促進文化多元與社會公平。本文將探討音樂推薦系統中的偏誤（Bias）是什麼，而在討論中，這兩種訴求將如影隨形。
音樂推薦系統是根據用使用者的喜好、行為和特徵，向他們推薦音樂的技術。 系統分析用戶收聽歷史記錄、歌曲元數據和社交互動等大量數據，提供個人化的音樂推薦。音樂推薦系統的主要目標，是幫助用戶發現符合他們品味和偏好的新音樂。 隨著平台的內容以及使用人次的增長，串流平台開始優化推薦系統，透過這些技術來提高用戶滿意度和參與度。
音樂推薦系統使用了不同的技術和方法，而協同過濾（Collaborative Filtering），是最常用的技術之一。 它分析使用者的行為和偏好，且識別不同使用者間的模式和相似性，於是系統會根據類似使用者的收聽習慣，向個別用戶推薦音樂。 透過發掘使用者的社群（Community）的集體智慧，協同過濾，可以推薦個別使用者可能自己還沒發現的音樂。而內容過濾（Content-based Filtering），著重於歌曲本身的特徵，透過分析樂種、節奏、情緒和歌詞，識別歌曲間的相似性。 系統會推薦與使用者過去喜歡的歌曲，具有類似特徵的音樂。 內容過濾，擅長推薦特定樂種或流派的音樂，對於具有明確偏好的用戶，一般而言比較受用。推薦系統往往集合了協同過濾、內容過濾和其他算法，充分利用每種方法的優勢，來克服單種技術的局限性。
音樂推薦系統使用的用戶數據，包括使用者個人資料、收聽歷史記錄、播放列表和評分等。歌曲元數據（樂種、流派、參與製作的詳細名單與專輯訊息等），也有助於音樂的分類。此外，社交數據（關注對象和社交關係），也可用於識別社交圈中流行的音樂。研究（＊2）指出，音樂推薦系統能針對不同的標的做推薦，這些標的包含歌單的連貫性（Coherence）、音樂內容的多元性（Diversity），而多元性，與個人偏好的準確性（Accuracy），但這些目的邏輯可能是相悖的。為了避免造成「過濾氣泡」(Filter Bubbles），讓大家聽著太過於單一的音樂，許多研究（＊3）不斷在進行，而推薦系統仍不斷地翻新調整著。
人會偏心，那音樂推薦系統有偏誤嗎？
英國資料倫理與創新中心（Centre for Data Ethics and Innovation, CDEI）於2023 年 3 月份發表的報告（＊4），爬梳不同領域的研究成果，探討由演算法驅動的推薦系統，如何影響音樂的製作與消費。它將不同領域的成果彙整，提供了音樂推薦系統相關討論具參考價值的框架。其中，有兩個重要的討論：音樂推薦的偏誤（Bias）是否影響音樂人與消費者，以及音樂推薦系統是否使音樂的多元性（Diversity）受限。跟著此報告的討論與邏輯，本文和讀者一起探討音樂推薦系統常被討論的偏誤，和可能造成的影響。
音樂推薦系統有兩種偏誤，已獲得較廣泛的討論。其一，是流行度偏誤（Popularity Bias）。流行度偏誤指的是，已為大眾所知的音樂作品，會在平台上大者恆大，不斷地被推薦、再次地被聆聽，許多研究已實證的方式，指出這樣的偏誤，存在於我們使用的音樂推薦系統中，它可能使聆聽者的品味趨向同質化，也對獨立或者剛起步的音樂人不利，更不易讓觀眾聽見他們的音樂。另外，串流世界裡的長尾效應確實存在，只是以營收而言，身處長尾的音樂人，倚靠串流所收到的利潤，微薄至幾乎無法維生。
人口特徵的偏誤（Bias According to Demographic Characteristics），指的是使用者或是音樂人擁有不同的性別、階級、國籍、年齡，而因為這些不同，系統對他們有了不同的評判。某些音樂人的音樂，可能因為在音樂推薦系統中不容易被推薦，而其他音樂人卻推薦數眾，擁有優勢地位。以聽眾而言，也有某些使用者，因為不同的人口特徵，比群體中其他人更容易獲得他們喜歡的音樂推薦。目前，性別的偏誤，已有較多實證，而種族、階級、語種等則稀缺。
對於台灣的音樂人來說，若希望能夠經營跨國市場，後者的討論也相當重要。2017 年的一份研究（＊5）顯示，Spotify 推薦給用戶的音樂表演者之男女性別比例，約為 80% 比 15% ，另外 5% 為混合性別或團體。其他研究人員提出（＊6），性別比例懸殊的原因，是 Spotify 平台上女性的歌曲佔比本來就低，並非清單生成，有特殊的反女性偏見。無論如何，Spotify 仍招致延續產業內存在已久性別不平等，而未有積極作為的批評。
音樂推薦系統有偏誤，然後呢？
Y2K 美學重新當道的此刻，讓我想起 2000 年代的尾聲，實體與數位音樂的交替之際。那是個不確定、混亂、躁動、但也有一點希望的年代。當時關於數位化時代的音樂想像，關鍵字是多元 、公平、更民主的產製與消費。後來，世界變了，有希望也有失望。音樂串流平台成就了很多了不起的事情，但確實，演算機制仍重複著過去的某些不公平，細緻地維持著大者恆大，英語世界白人男性的主導地位，讓其他族群望塵莫及。當然，我們也需要理解，市場中大者恆大的趨向，如何如幽魂般，在流行音樂工業的天空裡盤旋著。
過去，經濟學理論，著眼音樂產業中「巨星效應」與「贏者全拿」的現象，我們也見證了跨國唱片公司一紙合約抵萬金的過往，接著，音樂榜單、獎項與大眾媒體，擁有了使音樂成為不朽經典的強大能力。英國資料倫理與創新中心的報告（＊7）指出，現在的研究，仍舊缺乏歷史深度，無法以較全面的方式，探討各個不同國家與區域，這些優勢與權力關係是如何產生的。
串流平台並未「發明」這樣的不公平，並不代表不需正視影響與責任。知道過去不太好，現在也沒有太好的我們，也不見得無力形塑接下來的場景。儘管仍有待觀察研究之處，但今天的我們已進步了一些些。我們的進步在於更能正視偏見、歧視、偏誤帶來的結構性問題，對於增加弱勢者在文化領域中不足的代表性，也有了更多共識。弱勢者，並不只是女性或性少數的音樂人，也可能是另類、小眾樂種、唱著少數族群語言的歌者、推動著非英語系在地音樂的行銷人員。肯定性行動（Affirmative Action） ，是為塑造更平等的社會，採取的積極措施，身處 2023 的我們，應該去思考，串流平台、政府與產業人員們，能進行什麼樣的肯定性行動？如文中已提到的，我們所在意的未來，除了追求產值和就業機會以外，還有文化多元與社會公平。
在串流平台聽著音樂的我們，每個都是「音樂策展人」，訓練著推薦系統，形塑著自己聽到的推薦歌單。正因如此，我們應檢視平台所塑造的推薦系統機制，究竟是否和他們強調的產業使命和社會責任（＊8）吻合。2021 年英國的「串流音樂經濟」調查，各方音樂工作者、工會、或組織，儘管利益與立場不盡相同，參與討論、提供證據，提出他們對於串流影響的憂慮，質問著政府和平台，要求他們回應且行動，而本文所介紹推薦系統的偏見，也是其一。這樣的動能，或許能帶給音樂工作者們一些鼓勵：路還長，但更平等的可能性應該存在。而這樣的可能性，需要在創造、產製與消費音樂的世界被實踐。畢竟，音樂是最能述說人的故事與信念的媒介了。本系列的下一篇文章，將持續探討串流音樂的推薦系統，如何影響音樂的「多元性」（Diversity）。
＊1 串流音樂經濟調查出處
＊2 音樂推薦系統研究出處
＊3 音樂推薦系統研究出處
＊4 英國資料倫理與創新中心研究出處
＊5 串流平台男女比例研究出處
＊6 串流平台偏誤研究出處
＊7 英國資料倫理與創新中心研究出處
＊8 Spotify 的社會責任官方聲明出處
