|
算法推薦技術(shù)從90年代開(kāi)始顯露優(yōu)越性以來(lái)，被充分運(yùn)用于電商、社交、內(nèi)容資訊等等眾多領(lǐng)域，并均為這些領(lǐng)域的革新做出了貢獻(xiàn)。但近年來(lái)，算法推薦卻不斷受到質(zhì)疑，無(wú)論是本身的有效性，還是其社會(huì)影響，都面臨諸多爭(zhēng)議。許多互聯(lián)網(wǎng)產(chǎn)品也一改“唯算法至上”的理念，在算法與人工之間搖擺不定，甚至有不少產(chǎn)品開(kāi)始進(jìn)行取消算法推薦的嘗試。本期騰訊媒體研究院將分享一篇文章，談?wù)動(dòng)嘘P(guān)算法是否為技術(shù)上的倒退？算法推薦會(huì)成為互聯(lián)網(wǎng)歷史上的一段彎路嗎？ 本文已獲授權(quán)，轉(zhuǎn)載于騰訊研究院，作者二因斯坦 01算法推薦的發(fā)展簡(jiǎn)史 算法推薦分為許多類型，但簡(jiǎn)單來(lái)說(shuō)，其原理就是基于用戶的歷史使用行為或相關(guān)信息，通過(guò)特定的數(shù)據(jù)模型，推測(cè)出用戶可能的偏愛(ài)喜好。1998年，Amazon平臺(tái)上線了基于物品的協(xié)同過(guò)濾算法（ItemCF算法），將推薦系統(tǒng)推向服務(wù)千萬(wàn)級(jí)用戶和處理百萬(wàn)級(jí)商品的規(guī)模。這一技術(shù)機(jī)制的革新產(chǎn)生了良好的效果，Amazon銷售額提高了35%左右——這是推薦算法從實(shí)驗(yàn)室走向商業(yè)公司的一次成功應(yīng)用。 2006年，一家原本做DVD租賃的公司懸賞百萬(wàn)招募算法推薦系統(tǒng)，希望改善其影片推薦效果。最終，憑借此次大賽的成果，這家公司成功轉(zhuǎn)型為線上影片點(diǎn)播平臺(tái)，并向用戶普及了“推薦”的概念——這家公司就是Netflix。 
圖片來(lái)自Netflix官方 視頻平臺(tái)YouTube同樣以算法推薦為特色。它最早只通過(guò)點(diǎn)擊和瀏覽量對(duì)內(nèi)容進(jìn)行排序，2012年YouTube開(kāi)始采用復(fù)雜的推薦算法，嘗試加入觀看時(shí)長(zhǎng)、分享、喜歡等參數(shù)來(lái)向觀眾呈現(xiàn)視頻流。2016年9月，YouTube將其技術(shù)文檔整理成論文《Deep Neural Networks for YouTube Recommendations （深度神經(jīng)網(wǎng)絡(luò)在YouTube推薦系統(tǒng)中的應(yīng)用）》發(fā)表，公布了從大規(guī)模可選內(nèi)容中尋找最適合推薦結(jié)果的算法路徑，探討了深度學(xué)習(xí)帶來(lái)的性能跨越式提升。 在視頻網(wǎng)站之后，F(xiàn)acebook、Twitter等社交媒體也紛紛采用個(gè)性化信息流，將內(nèi)容按用戶興趣程度進(jìn)行排列。從時(shí)間順序切換到算法亂序推薦，盡管初期引發(fā)了部分使用者的不適，但之后便被證明，這一舉動(dòng)帶來(lái)了用戶使用時(shí)長(zhǎng)、廣告點(diǎn)擊率的大幅增長(zhǎng)。 國(guó)內(nèi)互聯(lián)網(wǎng)行業(yè)同樣擁抱算法。二十一世紀(jì)的第一個(gè)十年之后，內(nèi)容資訊平臺(tái)、短視頻應(yīng)用改變過(guò)往人工推薦的習(xí)慣，逐步加大算法推薦的比重，一大批代表性應(yīng)用在這一浪潮中涌現(xiàn)出來(lái)。2016年又被稱為“智媒元年”，以紀(jì)念算法推薦在內(nèi)容分發(fā)領(lǐng)域所做出的重大貢獻(xiàn)。毫無(wú)疑問(wèn)，身處信息大爆炸的背景下，算法推薦是繼分類條目與搜索引擎之后的又一技術(shù)革新，它極大地提升了信息分發(fā)的效率和精準(zhǔn)度，以此顛覆了人與信息的相處方式，也得益于這種能力，逐漸被應(yīng)用于交通、金融、法律等等人類社會(huì)的其他領(lǐng)域。 與人工推薦相比，算法推薦的優(yōu)越性不言而喻。但距“智媒元年”已經(jīng)過(guò)去5年，算法推薦的發(fā)展雖然已經(jīng)蓬勃，但它完全接手了互聯(lián)網(wǎng)領(lǐng)域的內(nèi)容分發(fā)嗎？ 
圖片來(lái)自公眾號(hào)公共圖片庫(kù)
02一些互聯(lián)網(wǎng)產(chǎn)品正在逐步嘗試算法化 事實(shí)上，許多互聯(lián)網(wǎng)產(chǎn)品都開(kāi)始考慮取消算法推薦機(jī)制的可能性，并正在做出嘗試。 YouTube客戶端和網(wǎng)頁(yè)端都開(kāi)始提供“不看推薦”和“清除歷史觀看數(shù)據(jù)”的選項(xiàng)，用戶可以自由選擇切換，其兒童頻道YouTube Kids更是徹底取消了算法推薦，改用純?nèi)斯ずY選內(nèi)容。Facebook新聞版塊在2019年開(kāi)始招聘人工編輯（主要是資深記者），以應(yīng)對(duì)各國(guó)政府對(duì)其平臺(tái)充斥極端內(nèi)容的指控。 2017年成立的資訊分發(fā)平臺(tái)Substack也是以人工推薦為特色，讀者通過(guò)郵件訂閱來(lái)接收內(nèi)容，這吸引了不少懷舊的客戶，仿佛瞬間回到了RSS時(shí)代。該產(chǎn)品在多輪融資后估值已經(jīng)達(dá)到6.5億美元。為了與之抗衡，Twitter在年初收購(gòu)了Substack的競(jìng)爭(zhēng)對(duì)手Revue，而Facebook則新近推出了一款名為Bulletin的應(yīng)用——二者均是以時(shí)事通訊作者為主的資訊平臺(tái)，并采用編輯篩選，按作者訂閱的模式。誠(chéng)然，算法推薦帶來(lái)的用戶和收入不可估量，但這么多的平臺(tái)都選擇重回時(shí)間流或人工推薦的形式，似乎也有那么一些勢(shì)在必行的推力。除了商業(yè)模式上獨(dú)辟蹊徑的考量，或許也是對(duì)算法推薦負(fù)面效應(yīng)的一種回應(yīng)。 在《為什么極端內(nèi)容更容易流行？》一文里，我們?cè)接戇^(guò)推薦算法對(duì)社交媒體上極端內(nèi)容傳播的影響。極端內(nèi)容是一條獲取流量的捷徑，而基于“流量至上”的理念，算法往往在無(wú)形中為極端內(nèi)容的傳播充當(dāng)了推手的角色。 以Facebook為例，近2/3加入極端主義小組的用戶都是被Facebook推薦關(guān)注而非主動(dòng)檢索。YouTube也面臨同樣的問(wèn)題，平臺(tái)持續(xù)不斷地調(diào)整其推薦算法，盡量減少有害內(nèi)容的推薦量以控制傳播，盡管如此，成效卻依然了了。因此這家公司保留了超過(guò)1萬(wàn)人的審核團(tuán)隊(duì)，負(fù)責(zé)刪除違規(guī)視頻以及進(jìn)一步改善各種機(jī)制和政策。 互聯(lián)網(wǎng)公司也在嘗試更智能的方式來(lái)自動(dòng)識(shí)別極端內(nèi)容，比如研發(fā)一些惡意內(nèi)容檢測(cè)插件，但這些工具并沒(méi)有很好地投入使用——因?yàn)檫^(guò)于嚴(yán)格的審核會(huì)影響社區(qū)氛圍，平臺(tái)方不想因此造成過(guò)多的用戶流失。不少讀者應(yīng)該都會(huì)有過(guò)刷短視頻App一刷幾個(gè)小時(shí)忘了時(shí)間的經(jīng)歷，原因就在于源源不斷的推薦會(huì)讓人深受吸引無(wú)法自拔。算法推薦最初應(yīng)用的目的，是為了提升檢索效率， 降低用戶的時(shí)間成本，快速匹配用戶最需要的內(nèi)容，但卻逐漸演變成為增強(qiáng)用戶粘性，延長(zhǎng)使用時(shí)間的機(jī)制保障，這顯然與本意有所偏離。 引發(fā)更多爭(zhēng)議的是“信息繭房”效應(yīng)。算法推薦會(huì)為了取悅用戶，不斷推薦其感興趣的內(nèi)容，這讓用戶以自身興趣為磚瓦構(gòu)筑起一道墻，從此只能沉浸在自己喜愛(ài)的、熟悉的已知的世界里，這就是“信息繭房”所描述的狀態(tài)。在學(xué)術(shù)界，針對(duì)這一理論的現(xiàn)實(shí)效應(yīng)還存在不少爭(zhēng)議，但可以確認(rèn)的是，算法基于興趣的個(gè)性化推薦，確實(shí)收窄了用戶的信息接收范圍，并減少了接受差異化訊息的可能性。在日漸封閉的信息環(huán)境中，用戶只看自己想看的，只聽(tīng)自己想聽(tīng)的，并在不斷重復(fù)和自我驗(yàn)證中強(qiáng)化固有觀念，進(jìn)而相信一些扭曲的故事。要知道，現(xiàn)在還有不少YouTube用戶堅(jiān)信，地球是平的，人類并不曾登上月球，水可以變成汽油。 這就是信息繭房的“功勞”。在快速資訊、短視頻領(lǐng)域，算法推薦或許有著優(yōu)越的表現(xiàn)，但在嚴(yán)肅內(nèi)容的傳播上卻頻頻失效。這也是為什么Twiiter、Facebook都選擇將嚴(yán)肅新聞與社交內(nèi)容拆分，并投資做獨(dú)立的訂閱資訊平臺(tái)。 算法的基礎(chǔ)是海量的用戶數(shù)據(jù)收集，但是有些嚴(yán)肅內(nèi)容，比如深度報(bào)道、行業(yè)知識(shí)等，本身受眾面窄，沒(méi)有辦法為機(jī)器提供足夠的基礎(chǔ)數(shù)據(jù)，自然也無(wú)法給出合適的推薦。另外，就像許多文藝類電影常常叫好不叫座一樣，很多優(yōu)質(zhì)內(nèi)容與通俗內(nèi)容放在同一個(gè)算法池中，可能很快就被淹沒(méi)了，需要人工編輯撈出來(lái)。 美國(guó)作家尼古拉斯·卡爾《淺薄：互聯(lián)網(wǎng)毒化了我們的大腦》，指出人們?cè)谙硎芑ヂ?lián)網(wǎng)所帶來(lái)便利的同時(shí)正在犧牲深度閱讀和深度思考的能力：“我們對(duì)瀏覽和略讀越來(lái)越得心應(yīng)手，但是，我們正在喪失的卻是專注能力、沉思能力和反省能力?！?nbsp;這本書講的是超鏈接對(duì)互聯(lián)網(wǎng)使用者記憶力的損害，但是從條目瀏覽到搜索引擎再到算法推薦，信息獲取的成本越來(lái)越低，留給人獨(dú)立思考的機(jī)會(huì)確實(shí)也越來(lái)越少了。
圖片來(lái)自公眾號(hào)公共圖片庫(kù) 03取消算法推薦，不是技術(shù)倒退，是發(fā)展需求 在平臺(tái)行動(dòng)起來(lái)做取消算法推薦的嘗試之前，許多用戶已經(jīng)提前意識(shí)到并展開(kāi)行動(dòng)。他們開(kāi)始想辦法改變互聯(lián)網(wǎng)的使用方式，嘗試擺脫算法的影響。基于行為類型的不同，又可以分為“佛系用戶”“自律性選手”和“懷舊型用戶”： 因?yàn)樗惴ㄍ扑]需要獲取用戶行為數(shù)據(jù)才能夠生效，于是有的用戶選擇隱藏自己的行為，“不登陸、不點(diǎn)贊、不關(guān)注、不評(píng)論”，不留使用痕跡，避免定位、相冊(cè)、通訊錄等權(quán)限被獲取，這類屬于佛系用戶，他們的戰(zhàn)略是盡可能讓算法摸不清自己，從而在互聯(lián)網(wǎng)上當(dāng)一個(gè)透明人。 “自律型選手”主要警惕算法引發(fā)的沉浸效應(yīng)，通過(guò)手機(jī)時(shí)長(zhǎng)管理軟件嚴(yán)格控制各個(gè)App的使用時(shí)間，避免使用易上癮App，偶爾不得不安裝就用完即刪，用強(qiáng)悍的自制力對(duì)抗強(qiáng)大的誘惑，進(jìn)而實(shí)現(xiàn)防沉迷的效果。 而“懷舊型用戶”則會(huì)拒絕市面上的大多數(shù)資訊集合App，他們會(huì)使用RSS工具將多個(gè)訂閱源整合在一起，從而實(shí)現(xiàn)內(nèi)容都是自己主動(dòng)關(guān)注的更新，與被動(dòng)推薦的思路截然相反。對(duì)年輕人來(lái)說(shuō)，這是一項(xiàng)古老的服務(wù)，卻是擴(kuò)充視野、走出信息繭房很好的對(duì)策。 這么多年來(lái)，算法能夠在各個(gè)領(lǐng)域得到大規(guī)模應(yīng)用，對(duì)信息分發(fā)效率的提升以及社會(huì)運(yùn)作有著不言而喻的意義。互聯(lián)網(wǎng)產(chǎn)品嘗試進(jìn)行一些去算法化的探索，并不是在強(qiáng)行逆轉(zhuǎn)技術(shù)的發(fā)展趨勢(shì)。在一定程度上去算法化，只是讓算法回歸本意，更好地服務(wù)人類。與此同時(shí)，不少互聯(lián)網(wǎng)產(chǎn)品也在對(duì)現(xiàn)有算法進(jìn)行著不斷優(yōu)化以改善用戶體驗(yàn)，根本目的就是要找出一種更具“可持續(xù)性”的發(fā)展模式。過(guò)去，我們說(shuō)算法推薦的作用是把合適的內(nèi)容推給合適的用戶，那么，“去算法化”就是“把合適的工作留給算法，不合適的工作交給人工?！?/span>
圖片來(lái)自公眾號(hào)公共圖片庫(kù)
|
