王兆紅 劉慶振

隨著大數(shù)據(jù)、云計(jì)算、人工智能等技術(shù)的快速發(fā)展，算法、個(gè)性化分發(fā)、推薦系統(tǒng)等概念正在為內(nèi)容產(chǎn)業(yè)乃至整個(gè)傳媒產(chǎn)業(yè)帶來(lái)新的思維方式、生產(chǎn)方式和消費(fèi)方式。在今天，中國(guó)至少有超過(guò)6億以上的人、全球至少有超過(guò)25億以上的人借助于算法來(lái)獲取每天所消費(fèi)的內(nèi)容產(chǎn)品，這些內(nèi)容產(chǎn)品既包括公眾號(hào)、知乎問(wèn)答這樣的圖文內(nèi)容，也包括得到喜馬拉雅這樣的音頻內(nèi)容，還包括短視頻、影視劇這樣的影像內(nèi)容。與此同時(shí)，在互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)領(lǐng)域的海量?jī)?nèi)容產(chǎn)品消費(fèi)方面，有超過(guò)60%以上的流量都要?dú)w功于推薦算法和個(gè)性化分發(fā)系統(tǒng)。毋庸置疑，算法的巨大優(yōu)勢(shì)已經(jīng)徹底改變了用戶獲取內(nèi)容、消費(fèi)內(nèi)容和分享內(nèi)容的習(xí)慣，而且其影響力將會(huì)在未來(lái)進(jìn)一步提升，并從根本上改變內(nèi)容產(chǎn)品的研發(fā)、生產(chǎn)、分發(fā)和反饋等各個(gè)環(huán)節(jié)。由于內(nèi)容產(chǎn)品類型多元、形式多樣，因此本文將聚焦于重點(diǎn)探討影像創(chuàng)意內(nèi)容產(chǎn)品的個(gè)性化推薦算法及其對(duì)影視傳媒產(chǎn)業(yè)可能產(chǎn)生的重要影響。

一、 推薦系統(tǒng)的核心價(jià)值與基本邏輯

事實(shí)上，盡管大量用戶依然并不清楚內(nèi)容推薦系統(tǒng)的技術(shù)架構(gòu)究竟是什么樣，但是他們?cè)谟跋駜?nèi)容的消費(fèi)過(guò)程中已經(jīng)離不開(kāi)推薦系統(tǒng)了：今日頭條推薦的小視頻內(nèi)容、抖音快手推薦的短視頻內(nèi)容、新浪微博推薦的各種視頻鏈接、優(yōu)酷土豆愛(ài)奇藝等推薦的影視劇作品……當(dāng)用戶在等公交車、乘坐地鐵時(shí)，當(dāng)用戶在緊張工作了幾個(gè)小時(shí)停下來(lái)休息時(shí)，當(dāng)用戶在晚上即將睡覺(jué)之前，當(dāng)用戶在周末擁有整段閑暇時(shí)光時(shí)，這些生活、學(xué)習(xí)、工作、社交方面一個(gè)個(gè)看似非常普通的場(chǎng)景，都有可能是算法向用戶進(jìn)行個(gè)性化影像內(nèi)容推薦的良好時(shí)機(jī)。“內(nèi)容推薦就是將用戶感興趣的話題和內(nèi)容呈現(xiàn)在用戶面前，你看到的是明星逸事，我看到的是影片點(diǎn)評(píng)?！盵1]這也就意味著我們必須根據(jù)用戶的興趣、偏好、調(diào)性，并結(jié)合用戶過(guò)去的內(nèi)容消費(fèi)記錄和消費(fèi)習(xí)慣進(jìn)行更加個(gè)性化的推薦。只有推薦系統(tǒng)每次向不同用戶推薦的不同內(nèi)容，才有可能是針對(duì)具體每一位用戶進(jìn)行的個(gè)性化推薦。因此，不同的用戶即使在同一時(shí)間登錄的是同一家視頻網(wǎng)站或者同一個(gè)短視頻移動(dòng)應(yīng)用，他們?cè)诟髯缘牡卿涰?yè)面所看到的推薦內(nèi)容也應(yīng)該是完全不同的。甚至更進(jìn)一步地，即使他們同時(shí)選擇了同一家視頻網(wǎng)站的電影頻道或者同時(shí)輸入了“喜劇電影”這個(gè)關(guān)鍵詞，推薦系統(tǒng)向他們呈現(xiàn)的也應(yīng)該是更符合各自口味的不同內(nèi)容。因此，推薦系統(tǒng)實(shí)際上在做的事情就是完成具體場(chǎng)景下用戶和內(nèi)容之間更高效進(jìn)行連接的技術(shù)工具。換言之，其根目的是“在智能傳播時(shí)代實(shí)現(xiàn)用戶、場(chǎng)景和內(nèi)容之間的精準(zhǔn)匹配”[2]。

在這個(gè)意義上，推薦系統(tǒng)連接著內(nèi)容與用戶雙方，每次的完善、迭代或進(jìn)化的基本動(dòng)力就是不斷地提升它所推薦內(nèi)容的精準(zhǔn)程度或提高它的匹配概率。對(duì)于用戶來(lái)說(shuō)，他希望看到的內(nèi)容應(yīng)該是個(gè)性化的而不是千篇一律的內(nèi)容，他每次對(duì)內(nèi)容的選擇、觀看、評(píng)論和轉(zhuǎn)發(fā)等行為都會(huì)變成一種正向的認(rèn)可或者負(fù)向的反感，推薦系統(tǒng)會(huì)根據(jù)這些歷史數(shù)據(jù)不斷地探索不同用戶的興趣偏好，以便向他推薦的內(nèi)容越來(lái)越多地受到認(rèn)可。對(duì)于內(nèi)容來(lái)說(shuō)，它希望能夠找到越來(lái)越多對(duì)此話題感興趣的用戶，使他們?cè)敢恻c(diǎn)擊、完成觀看并進(jìn)行評(píng)論。只有真正找到合適的用戶而不是單純地呈現(xiàn)在所有用戶面前，只有這樣的內(nèi)容傳播才是有效的。所以，為了更好地完成用戶和內(nèi)容之間更加精準(zhǔn)、更加高效、更加個(gè)性化的連接和匹配，推薦系統(tǒng)必須不斷地優(yōu)化它對(duì)二者的了解和洞察：一方面，它要更全面、更立體、更豐滿地了解每一位用戶的基本信息（包括性別、年齡、地域、職業(yè)等）、興趣偏好（包括星座、性格、才藝、社交關(guān)系等）、場(chǎng)景特征（包括時(shí)空、狀態(tài)、心情、周圍環(huán)境等）;另一方面，它還要從不同的維度、不同的視角來(lái)完成對(duì)每一則內(nèi)容的判斷，包括這則內(nèi)容的基本屬性（作者、時(shí)長(zhǎng)、類型、年代等）、情感屬性（人物、故事、沖突、感情等）、社交屬性（話題、評(píng)分、評(píng)論、看過(guò)的好友等）。只有這樣，它的推薦才會(huì)越來(lái)越精準(zhǔn)、越來(lái)越個(gè)性化、越來(lái)越受到用戶的認(rèn)可和依賴。

實(shí)際上，這個(gè)不斷提升對(duì)用戶和內(nèi)容了解程度的過(guò)程，就是一個(gè)不斷完善用戶畫(huà)像和內(nèi)容畫(huà)像的過(guò)程?！八^用戶畫(huà)像，就是根據(jù)用戶人口統(tǒng)計(jì)學(xué)信息、社交關(guān)系式等信息而總結(jié)、抽象和挖掘出來(lái)的標(biāo)簽化用戶模型?！盵3]同理，內(nèi)容畫(huà)像就是將內(nèi)容本身的類型、特征及其可能的潛在用戶進(jìn)行總結(jié)、抽象出來(lái)的內(nèi)容模型。無(wú)論是進(jìn)行用戶畫(huà)像，還是進(jìn)行內(nèi)容畫(huà)像，最常用的兩種方式就是對(duì)用戶和內(nèi)容進(jìn)行類型化和標(biāo)簽化，也就是分類和貼標(biāo)簽。例如，我們可以把影像內(nèi)容分為電影、電視劇、紀(jì)錄片、綜藝節(jié)目等不同的類型，在電影這個(gè)類型下面，我們又可以按照地域分港臺(tái)電影、大陸電影、日韓電影、歐美電影等細(xì)分類型，或者按照題材分為愛(ài)情電影、喜劇電影、戰(zhàn)爭(zhēng)電影、驚悚電影等細(xì)分類型，這就是一個(gè)分類的過(guò)程。當(dāng)然，無(wú)論對(duì)于內(nèi)容還是對(duì)于用戶而言，分類意味著把不同的內(nèi)容或者不同的用戶歸入同一個(gè)類別，其導(dǎo)致的結(jié)果雖然在一定程度上方便了用戶的主動(dòng)查找，但也非常容易造成畫(huà)像不夠細(xì)致。因此，我們需要利用標(biāo)簽體系來(lái)完善具體到某一則內(nèi)容或某一位用戶的個(gè)性化特征。例如，某一位用戶喜歡劉德華主演的電影，那么我們就可以將“劉德華”這個(gè)標(biāo)簽充實(shí)在它的用戶畫(huà)像中，在對(duì)他進(jìn)行個(gè)性化影像內(nèi)容推薦時(shí)，系統(tǒng)就會(huì)根據(jù)算法推薦機(jī)制優(yōu)先向他推薦同樣也貼有“劉德華”標(biāo)簽的內(nèi)容。這也就是內(nèi)容推薦系統(tǒng)最基本的原理，在這個(gè)邏輯下，不同的推薦系統(tǒng)和不同的應(yīng)用經(jīng)過(guò)長(zhǎng)時(shí)期的探索不斷完善著它們的個(gè)性化內(nèi)容推薦算法。

二、 推薦系統(tǒng)在短視頻領(lǐng)域的應(yīng)用

短視頻是內(nèi)容推薦系統(tǒng)的典型應(yīng)用場(chǎng)景之一。用戶在看完一段短視頻之后，系統(tǒng)就會(huì)自動(dòng)推薦一段新的短視頻，用戶只需要?jiǎng)觿?dòng)手指點(diǎn)擊觀看即可，而不再需要自己輸入關(guān)鍵詞、點(diǎn)擊搜索并篩選內(nèi)容這一繁瑣過(guò)程。這就是推薦引擎和搜索引擎的差異，也正是因?yàn)檫@種差異，短視頻的推薦系統(tǒng)才必須要更好地了解用戶需求以便向他們推薦更加合適的視頻內(nèi)容。很多用戶在使用不同的短視頻移動(dòng)應(yīng)用時(shí)，都會(huì)有類似的體會(huì)：有的應(yīng)用體驗(yàn)非常好，能讓人沉迷進(jìn)去無(wú)法自拔，有的應(yīng)用推薦的內(nèi)容卻根本不感興趣，讓人覺(jué)得無(wú)聊至極以致直接卸載該應(yīng)用。事實(shí)上，這就是不同應(yīng)用程序所采用的推薦算法之間的差異。如果一款短視頻應(yīng)用所采用的推薦算法不夠優(yōu)秀，所完成的內(nèi)容畫(huà)像和用戶畫(huà)像不夠精準(zhǔn)，就完全有可能導(dǎo)致該系統(tǒng)向用戶推薦的內(nèi)容無(wú)法實(shí)現(xiàn)個(gè)性化的精準(zhǔn)匹配，從而進(jìn)一步導(dǎo)致用戶體驗(yàn)差、粘著性差、卸載率高等嚴(yán)重影響該產(chǎn)品市場(chǎng)競(jìng)爭(zhēng)力的惡果。由于短視頻本身存在短、小、輕、薄等特征，這在很大程度上提高了對(duì)推薦內(nèi)容的精準(zhǔn)度的要求，不恰當(dāng)?shù)囊粍t短視頻會(huì)與上一則內(nèi)容之間產(chǎn)生明顯的違和感、突兀感，從而使得用戶無(wú)法沉浸在對(duì)內(nèi)容的流暢體驗(yàn)中。所以，在短視頻行業(yè)經(jīng)過(guò)了一年多的快速爆發(fā)和嚴(yán)厲整頓后，下半場(chǎng)的競(jìng)爭(zhēng)將會(huì)更多地聚焦在推薦算法的競(jìng)爭(zhēng)上，算法強(qiáng)則核心競(jìng)爭(zhēng)力強(qiáng)、推薦精準(zhǔn)度高則市場(chǎng)占有率高將會(huì)成為短視頻領(lǐng)域競(jìng)爭(zhēng)的殘酷法則。對(duì)于短視頻應(yīng)用而言，無(wú)論其推薦系統(tǒng)所采用的技術(shù)如何先進(jìn)或者其算法對(duì)不同維度的數(shù)據(jù)賦予的權(quán)重如何不同，其根本目的都是要最大化地實(shí)現(xiàn)內(nèi)容與用戶的精準(zhǔn)匹配。只有這樣，它才可能在爭(zhēng)奪用戶注意力的戰(zhàn)場(chǎng)上勝出。

在這一點(diǎn)上，快手的思路非常清晰，它通過(guò)精準(zhǔn)刻畫(huà)用戶的意圖，組合運(yùn)用不同的算法來(lái)針對(duì)性地推薦個(gè)性化的視頻、全面地覆蓋用戶的不同需求，以期能夠提升其用戶的點(diǎn)擊率和觀看率。具體而言，在一位新用戶尚未注冊(cè)登陸的情況下，它在沒(méi)有形成一個(gè)較為完善的用戶畫(huà)像時(shí)，主要通過(guò)簡(jiǎn)潔的界面、隨機(jī)的展示和體驗(yàn)友好的瀑布流等方式鼓勵(lì)用戶根據(jù)自身的興趣愛(ài)好選擇相應(yīng)的短視頻內(nèi)容。在用戶已經(jīng)點(diǎn)擊觀看了幾則短視頻內(nèi)容并刷新之后，推薦系統(tǒng)就會(huì)根據(jù)用戶已經(jīng)選擇的內(nèi)容向他展示更多與前幾條短視頻相類似的內(nèi)容。在用戶完成注冊(cè)并登錄之后，推薦系統(tǒng)主要通過(guò)組合“關(guān)注”“發(fā)現(xiàn)”和“同城”等幾種不同的推薦算法，力圖做到用戶在不同場(chǎng)景下的不同內(nèi)容需求?！鞍l(fā)現(xiàn)”推薦的內(nèi)容綜合運(yùn)用了協(xié)同推薦系統(tǒng)和內(nèi)容過(guò)濾推薦系統(tǒng)兩種方式，前者通過(guò)歷史數(shù)據(jù)推斷用戶的興趣偏好并據(jù)此向用戶推薦新的內(nèi)容，而后者則主要向用戶推薦與他們之前看過(guò)的內(nèi)容高度相似的短視頻?！瓣P(guān)注”向用戶呈現(xiàn)的則是他已經(jīng)關(guān)注了的短視頻生產(chǎn)者創(chuàng)作的內(nèi)容，推薦系統(tǒng)也會(huì)根據(jù)這些內(nèi)容與用戶需求之間的匹配程度進(jìn)行排序。畢竟同一作者發(fā)布的內(nèi)容也可能截然不同，如果不利用算法進(jìn)行過(guò)濾，就可能會(huì)直接影響用戶的體驗(yàn)。推薦系統(tǒng)會(huì)對(duì)發(fā)布的內(nèi)容進(jìn)行類型化和標(biāo)簽化，并利用機(jī)器快速地完善其畫(huà)像，然后再根據(jù)算法模型判斷這則視頻與該用戶之前觀看的視頻是否高度相似，從而決定是否向他推薦。“同城”則是主要基于地理位置的遠(yuǎn)近來(lái)決定優(yōu)先向用戶推薦哪些短視頻內(nèi)容。利用多種算法進(jìn)行組合推薦的好處在于，它可以在很大程度上規(guī)避掉單一算法可能存在的明顯不足，從而最大可能地向用戶提供符合其需求的短視頻推薦服務(wù)。此外，如果用戶使用微博賬號(hào)或者微信賬號(hào)登錄快手，推薦系統(tǒng)還會(huì)使用社會(huì)化過(guò)濾推薦系統(tǒng)向用戶推薦其社會(huì)化媒體中的好友看過(guò)、點(diǎn)贊過(guò)和評(píng)論過(guò)的短視頻內(nèi)容。

另外一款短視頻應(yīng)用抖音為了更好地連接內(nèi)容與用戶，也在其推薦算法上面花費(fèi)了大量的心思。有人將抖音對(duì)新上傳內(nèi)容的推薦方式總結(jié)為“賽馬機(jī)制”，其基本的邏輯是：向每一則新上傳的短視頻內(nèi)容隨機(jī)地分配一個(gè)比較平均的流量池，對(duì)這些新上傳視頻的綜合數(shù)據(jù)進(jìn)行比較，并進(jìn)一步向那些表現(xiàn)較好的視頻內(nèi)容分配一個(gè)更大的流量池，經(jīng)過(guò)幾輪疊加和不斷強(qiáng)化的推薦之后，抖音的爆款內(nèi)容也就出現(xiàn)了。當(dāng)然，這種推薦機(jī)制更多地是從打造爆款內(nèi)容的角度出發(fā)。其思路在于：已經(jīng)有“100W+”的用戶喜歡這則短視頻內(nèi)容了，那么它是值得推薦給更多用戶的，沒(méi)看過(guò)這則短視頻的用戶或許也會(huì)喜歡。也恰恰正是這樣的思路使得抖音的推薦系統(tǒng)更多地向用戶推薦了那些看上去更熱門(mén)的內(nèi)容，而非更符合用戶真正需求的內(nèi)容。而為了解決推薦過(guò)程中存在的類似問(wèn)題，抖音采用了“算法推薦+人工精選”的組合機(jī)制。一方面，利用最新的機(jī)器學(xué)習(xí)技術(shù)設(shè)計(jì)相應(yīng)的算法規(guī)則，確保推薦系統(tǒng)能夠按照一定的頻率和節(jié)奏向用戶推薦相似短視頻，但同時(shí)將這種推薦控制在一定的限度之內(nèi)從而避免用戶產(chǎn)生審美疲勞。另一方面，抖音會(huì)經(jīng)常性地人工精選出不同類型、不同領(lǐng)域、不同作者的優(yōu)質(zhì)內(nèi)容，根據(jù)相應(yīng)的推薦規(guī)則和不同的用戶標(biāo)簽向他們推薦不同的精選內(nèi)容。隨著學(xué)術(shù)領(lǐng)域?qū)π畔⒗O房問(wèn)題的深入探討以及政策層面對(duì)低俗內(nèi)容的強(qiáng)勢(shì)整頓，很多短視頻應(yīng)用也逐漸意識(shí)到自身推薦系統(tǒng)存在的各類瑕疵并加大力度完善其算法。事實(shí)上，好的推薦算法并不是站在流量經(jīng)濟(jì)的立場(chǎng)上一味迎合并向用戶推薦相似度很高的內(nèi)容，而是要從更多元化的角度向他針對(duì)性地推薦其視野范圍之外的有價(jià)值內(nèi)容。

三、 推薦系統(tǒng)在影視劇領(lǐng)域的應(yīng)用

算法推薦的最重要價(jià)值在于它能夠提高內(nèi)容分發(fā)的效率，尤其是在今天內(nèi)容產(chǎn)品以爆炸式的速度增長(zhǎng)的語(yǔ)境之下，無(wú)論對(duì)于用戶需求還是對(duì)于內(nèi)容本身，個(gè)性化推薦系統(tǒng)無(wú)疑都是一個(gè)實(shí)現(xiàn)精準(zhǔn)匹配、解決信息過(guò)載問(wèn)題的重要手段。具體到影視領(lǐng)域，個(gè)性化推薦系統(tǒng)的價(jià)值也是顯而易見(jiàn)的。今天的用戶在互聯(lián)網(wǎng)上消費(fèi)影視產(chǎn)品時(shí)，他們面對(duì)的是數(shù)十萬(wàn)乃至上百萬(wàn)部影視作品的巨大庫(kù)存，而且這個(gè)數(shù)字每年還在陸續(xù)地增加。單就國(guó)內(nèi)來(lái)看，從2012—2017過(guò)去的五年間，我國(guó)的電影產(chǎn)量年均超過(guò)1000部、電視劇產(chǎn)量年均超過(guò)10000集。如果一名用戶每天24小時(shí)不吃不睡只用來(lái)觀看這些新增的影視作品，他的時(shí)間都是不夠用的。在過(guò)去，幾乎所有的視頻網(wǎng)站都傾向于采用熱門(mén)影視劇推薦的方式向所有用戶進(jìn)行千篇一律的內(nèi)容推薦。舉例而言，用戶A和用戶B登錄某一家視頻網(wǎng)站時(shí)，在兩位用戶的登錄首頁(yè)所看到的推薦作品是一樣的，幾乎都是最近一段時(shí)間比較熱門(mén)的影視劇集，視頻網(wǎng)站并不會(huì)因?yàn)閮晌挥脩舻牡男詣e、年齡、地域、職業(yè)、興趣等差異化的屬性，向他們分別推薦更符合各自口味的影像內(nèi)容。這就會(huì)導(dǎo)致所有視頻網(wǎng)站的幾乎絕大部分流量都流向少數(shù)的所謂“頭部”內(nèi)容，出現(xiàn)80/20現(xiàn)象：即80%的流量流向了20%的熱門(mén)作品，其余80%的作品分享了剩余的20%流量。這種粗放式的經(jīng)營(yíng)方式在過(guò)去個(gè)性化推薦技術(shù)尚不流行的時(shí)代還有其生存的空間，但是隨著流量紅利的褪去以及內(nèi)容產(chǎn)業(yè)競(jìng)爭(zhēng)的加劇，面向用戶進(jìn)行的更集約化、更精準(zhǔn)化的運(yùn)營(yíng)方式對(duì)影視作品的個(gè)性化推薦系統(tǒng)提出了更高的要求，算法推薦也成為影視作品分發(fā)環(huán)節(jié)的標(biāo)配。

從國(guó)際上看，Netflix在全球范圍內(nèi)都可以算得上較早進(jìn)行影像內(nèi)容個(gè)性化推薦的先行者，它從2006年懸賞百萬(wàn)美元進(jìn)行推薦算法大賽開(kāi)始，就一直致力于不斷優(yōu)化面向用戶消費(fèi)需求的影像內(nèi)容推薦系統(tǒng)，并取得了令人矚目的業(yè)績(jī)。截止到2017年12月31日，Netflix全球用戶總數(shù)已經(jīng)達(dá)到1.1758億人。其中，付費(fèi)用戶超過(guò)6000萬(wàn)，每天在其網(wǎng)站上的觀看時(shí)長(zhǎng)超過(guò)1億小時(shí)，這在很大程度上得益于其面向用戶進(jìn)行個(gè)性化匹配的算法推薦系統(tǒng)。更值得一提的是，根據(jù)Netflix官方的粗略估算，其推薦系統(tǒng)每年為它節(jié)約的運(yùn)營(yíng)費(fèi)用為10億美元左右。正是因?yàn)镹etflix對(duì)其推薦系統(tǒng)的高度自信，所以它大膽地在用戶登錄的首頁(yè)就采用了個(gè)性化的推薦算法，用戶登陸后首先看到的不是熱門(mén)影視內(nèi)容的推薦，而是為每名用戶量身打造的差異化內(nèi)容呈現(xiàn)。事實(shí)上，這一策略也的為Netflix帶來(lái)了很好的回報(bào)：用戶平均每3個(gè)小時(shí)的視頻播放時(shí)長(zhǎng)中就有2個(gè)小時(shí)是來(lái)自于用戶登錄首頁(yè)的個(gè)性化推薦內(nèi)容。為了減少用戶漫無(wú)目的進(jìn)行內(nèi)容搜索與過(guò)濾的時(shí)間，Netflix綜合運(yùn)用了多種算法在登陸首頁(yè)的最重要位置進(jìn)行推薦，針對(duì)每位不同的用戶都會(huì)有40行個(gè)性化的影視作品可供瀏覽選擇，每行又有75部根據(jù)不同算法、不同標(biāo)簽和不同需求組合而成的推薦列表，而且每一部作品都清晰直白地向用戶說(shuō)明了進(jìn)行推薦的理由，例如用戶喜歡的演員陣容或網(wǎng)絡(luò)評(píng)分等。涉及到具體的推薦算法，Netflix會(huì)根據(jù)用戶的瀏覽記錄選擇相似的影像作品進(jìn)行推薦、會(huì)根據(jù)內(nèi)容排行榜的短期熱點(diǎn)和周期性熱點(diǎn)進(jìn)行推薦、會(huì)根據(jù)繼續(xù)觀看的場(chǎng)景和用戶搜索的場(chǎng)景進(jìn)行推薦、會(huì)根據(jù)付費(fèi)用戶更加個(gè)人化的興趣點(diǎn)進(jìn)行推薦等。通過(guò)近幾年不斷改進(jìn)和優(yōu)化自身的算法，Netflix已經(jīng)顯著提高了它向用戶推薦的影視作品的接受度，提升了這些內(nèi)容的被播放比率。除了Netflix之外，YouTube也是全球范圍內(nèi)在影像領(lǐng)域運(yùn)用推薦系統(tǒng)進(jìn)行個(gè)性化分發(fā)的典型企業(yè)。2016年，在美國(guó)波士頓舉辦的第十屆全球ACM推薦系統(tǒng)大會(huì)上，谷歌的研發(fā)團(tuán)隊(duì)發(fā)表了一篇題為《YouTube推薦系統(tǒng)中的深度學(xué)習(xí)網(wǎng)絡(luò)》的論文，首次詳細(xì)地公布了YouTube如何運(yùn)用深度學(xué)習(xí)策略提升其推薦效果的技術(shù)細(xì)節(jié)?！案雀杵渌I(lǐng)域的產(chǎn)品一樣，YouTube同樣經(jīng)歷了用深度學(xué)習(xí)來(lái)解決所有通用學(xué)習(xí)問(wèn)題的根本性范式轉(zhuǎn)變?！盵4]這也就意味著，推薦系統(tǒng)將會(huì)針對(duì)用戶的歷史數(shù)據(jù)、即時(shí)場(chǎng)景以及各種其他復(fù)雜因素的不斷變化而動(dòng)態(tài)性地調(diào)整其所推薦的內(nèi)容列表。

國(guó)內(nèi)以影視作品為主的互聯(lián)網(wǎng)企業(yè)在推薦算法方面起步較晚。2006年，Netflix嘗試運(yùn)用推薦系統(tǒng)進(jìn)行作品分發(fā)時(shí)，國(guó)內(nèi)的優(yōu)酷、土豆等視頻網(wǎng)站剛剛成立。盡管如此，國(guó)內(nèi)的互聯(lián)網(wǎng)企業(yè)近幾年來(lái)也快速地在自身的業(yè)務(wù)領(lǐng)域加大了應(yīng)用推薦系統(tǒng)的力度。例如，優(yōu)酷在其首頁(yè)上線了“優(yōu)酷懂你”，向用戶宣稱看得越多其推薦的內(nèi)容便會(huì)越符合用戶的口味;騰訊視頻上線了“你的專屬頻道”，通過(guò)算法為每位用戶精挑細(xì)選量身打造一個(gè)個(gè)性化的內(nèi)容頻道;愛(ài)奇藝上線了“猜你喜歡”，以期借助于對(duì)過(guò)往瀏覽數(shù)據(jù)的挖掘找到用戶可能會(huì)喜歡的同類內(nèi)容;豆瓣的電影頻道則專注于通過(guò)用戶的“興趣圖譜”來(lái)挖掘標(biāo)簽體系和社交關(guān)系對(duì)于個(gè)性化影視作品推薦的巨大價(jià)值。事實(shí)上，未來(lái)的影視作品分發(fā)領(lǐng)域，版權(quán)和算法將是各大互聯(lián)網(wǎng)企業(yè)能否在激烈的市場(chǎng)競(jìng)爭(zhēng)環(huán)境下持續(xù)保持優(yōu)勢(shì)地位的兩大關(guān)鍵要素。而隨著數(shù)據(jù)挖掘、深度學(xué)習(xí)和人工智能技術(shù)不斷地迭代進(jìn)化，應(yīng)用層面對(duì)于“千人千面”分發(fā)策略的不斷完善也將推動(dòng)著個(gè)性化推薦系統(tǒng)向著它的理想狀態(tài)演進(jìn)，從而使得內(nèi)容平臺(tái)方對(duì)用戶的服務(wù)模式也逐漸從過(guò)去的主觀臆斷向基于數(shù)據(jù)的客觀預(yù)測(cè)轉(zhuǎn)變。

四、 面向算法時(shí)代的影像內(nèi)容分發(fā)趨勢(shì)

在一篇題為《2018年傳媒業(yè)技術(shù)趨勢(shì)報(bào)告》的文章中，未來(lái)今日研究所提到了作為傳媒從業(yè)者我們應(yīng)該重點(diǎn)關(guān)注的75個(gè)重要技術(shù)發(fā)展趨勢(shì)，這其中的很多趨勢(shì)與我們今天所提及的個(gè)性化推薦系統(tǒng)和智能算法息息相關(guān)，例如深度學(xué)習(xí)、機(jī)器閱讀理解、計(jì)算傳播學(xué)、5G通信網(wǎng)絡(luò)等，這些技術(shù)都在以前所未有的程度影響著當(dāng)前的影像內(nèi)容乃至更多信息產(chǎn)品的分發(fā)模式朝著更加智能化的方向演進(jìn)。舉例而言，實(shí)時(shí)機(jī)器學(xué)習(xí)技術(shù)（Real-Time Machine Learning）意味著已經(jīng)開(kāi)發(fā)出來(lái)的計(jì)算機(jī)算法和智能硬件完全可以做到在獲取數(shù)據(jù)的同時(shí)，馬上根據(jù)已經(jīng)取得的這些數(shù)據(jù)調(diào)整相應(yīng)的模型了。在這樣的前提下，真正能夠稱得上個(gè)性化的推薦算法就可以根據(jù)用戶當(dāng)前在手機(jī)應(yīng)用（如抖音或騰訊視頻）的瀏覽速度、關(guān)注焦點(diǎn)乃至用戶情緒進(jìn)行更加精準(zhǔn)的內(nèi)容推薦，或者實(shí)時(shí)調(diào)整頁(yè)面的字體、顏色、風(fēng)格以更適應(yīng)不同用戶的觀看習(xí)慣。再如，這個(gè)研究所進(jìn)行的更有意思的一項(xiàng)研究是，它的科學(xué)家正在訓(xùn)練機(jī)器人觀看電視節(jié)目，而且在觀看了大量的YouTube視頻以及類似《絕望的主婦》這樣的電視劇之后，這臺(tái)基于人工智能的機(jī)器人設(shè)備已經(jīng)能夠非常準(zhǔn)確地預(yù)測(cè)視頻中的人物的下一個(gè)動(dòng)作將要握手、擊掌、擁抱或者親吻了。這就意味著，算法可以根據(jù)對(duì)影像內(nèi)容的預(yù)測(cè)以及對(duì)用戶需求的預(yù)測(cè)實(shí)時(shí)地調(diào)整其所推薦內(nèi)容的播放速度以更加符合用戶的觀看體驗(yàn)。事實(shí)上，無(wú)論是影像內(nèi)容的分發(fā)環(huán)節(jié)，還是信息產(chǎn)品的產(chǎn)消流程，都將在已經(jīng)開(kāi)啟的算法時(shí)代進(jìn)行本質(zhì)上的重構(gòu)。推薦系統(tǒng)、人工智能、深度學(xué)習(xí)等技術(shù)創(chuàng)新背后的全新邏輯正在以更加廣泛、更加深刻和更加具體的方式重塑著信息、內(nèi)容、傳播等領(lǐng)域的理論基礎(chǔ)和現(xiàn)實(shí)基礎(chǔ)，改造著我們通過(guò)媒體手段、內(nèi)容產(chǎn)品和傳播方式所建立起來(lái)的自身與他人之間的互動(dòng)關(guān)系，并從根本上升華著每位用戶的世界觀和方法論。通過(guò)全新的算法邏輯和智能生態(tài)，推薦系統(tǒng)能更精確地依靠目標(biāo)人群的興趣圖譜、用戶畫(huà)像和標(biāo)簽體系實(shí)現(xiàn)精準(zhǔn)匹配，從而實(shí)現(xiàn)由“人找信息”到“信息找人”的本質(zhì)性轉(zhuǎn)變。因此，在未來(lái)的理想化的內(nèi)容分發(fā)和信息傳播景觀中，任何非智能化、非個(gè)性化的內(nèi)容推薦都在一定程度上可以被視為某種信息噪音，而如何過(guò)濾這些噪音則是推薦系統(tǒng)不斷進(jìn)化的核心使命。

參考文獻(xiàn)：

[1]閆澤華.內(nèi)容算法：把內(nèi)容變成價(jià)值的效率系統(tǒng)[M].北京：中信出版社.2018：1.

[2]劉慶振.計(jì)算傳播學(xué)：智能媒體視閾下傳播學(xué)研究的新范式[J].教育傳媒研究，2018（6）：21-25.

[3]余傳明，田鑫，郭亞靜，安璐.基于行為——內(nèi)容融合模型的用戶畫(huà)像研究[J].圖書(shū)情報(bào)工作，2018（7）：54-63.

[4]Paul Covington，Jay Adams，Emre Sargin.Deep Neural Networks for YouTube Recommendations.September 2016??the 10th ACM Conference[EB/OL].https：//research.google.com/pubs/pub45530.html.