近年來，算法推薦在商業(yè)媒體平臺中獲得巨大成功，對信息傳播的作用日益凸顯。但商業(yè)媒體算法以追求流量為目標，一味迎合用戶喜好，不可避免帶來信息繭房、內容低俗化等問題。主流媒體承擔著引領導向、成風化人等職責使命，無法照搬商業(yè)媒體算法，必須建立符合主流媒體特點的先進算法技術?？偱_算法建立內容感知能力，自動感知當前部署的宣傳內容和精品內容，通過多模態(tài)混合推薦技術與用戶喜好內容靈活融合，讓算法驅動思想性、藝術性和商業(yè)性的協(xié)調統(tǒng)一。

一、主流媒體算法的必要性和突破性

（一）用主流價值導向駕馭算法是時代和國家發(fā)展的必然需要

2019年1月25日，在十九屆中央政治局第十二次集體學習時，習近平總書記明確指出：“我們要增強緊迫感和使命感，推動關鍵核心技術自主創(chuàng)新不斷實現(xiàn)突破，探索將人工智能運用在新聞采集、生產、分發(fā)、接受、反饋中，用主流價值導向駕馭‘算法’，全面提高輿論引導能力?！?/p>

近年來，總臺在新媒體建設的過程中積極研發(fā)總臺算法，并將其納入總臺“十四五”科技發(fā)展規(guī)劃和媒體深度融合發(fā)展三年行動計劃中。2021年，總臺算法率先在總臺兩大旗艦新媒體平臺之一的央視頻上線應用，取得良好效果，未來將逐步向全臺新媒體推廣。

（二）主流媒體對于信息繭房的糾偏作用

“信息繭房”的概念最初是哈佛大學教授桑斯坦在2006年出版的《信息烏托邦》一書中提出的，其含義是，受眾出于天性偏向關注自己熟悉或喜歡的信息，久而久之，形成個人的信息壁壘，好像作繭自縛。

在算法日益普及的當下，人的注意力被引導線索、社會關系和獎勵因子牽引影響，其背后是媒體平臺這一推手。算法如一味投受眾所好，則更容易加劇信息繭房現(xiàn)象。商業(yè)媒體平臺往往僅根據用戶喜好這樣的單一維度參數，不斷強化同類信息投送；與之相對，打破信息繭房，將內容導向與用戶喜好有機融合，則是主流媒體平臺所追求的。

此外，相比于商業(yè)媒體對于信息質量甄別門檻較低，易于陷入低俗化誤區(qū)，主流媒體平臺是優(yōu)質內容的信任背書。主流媒體算法需要從海量內容中篩選出優(yōu)質的精品內容進行推薦，使得這些內容展現(xiàn)在受眾眼前，得到更廣泛的傳播。

智媒體時代，主流媒體算法擔負了更重大的社會責任。一方面，要在持續(xù)供給優(yōu)質精品內容的同時，向用戶主動推薦更具公共價值的信息，盡可能地矯正用戶“偏食”，打破信息繭房；另一方面，要在吸取商業(yè)算法可行經驗的同時，形成具有多維度價值取向的新算法，從借鑒到超越，實現(xiàn)破繭成蝶。

二、總臺算法的特點及其應用

平臺算法對于信息篩選與展現(xiàn)方式起到決定性的作用。自2021年開始在央視頻平臺應用以來，總臺算法持續(xù)優(yōu)化信息的呈現(xiàn)方式，兼顧信息環(huán)境均衡，幫助用戶突破信息繭房，促進更良性、更多樣的內容生態(tài)形成。

（一）算法體系：可用、可管、可控

總臺算法平臺的整體方案由引擎系統(tǒng)、算法工作臺、算法測試系統(tǒng)和知識結構四部分組成。這四部分的閉環(huán)結構形成了獨特的運行機制，實現(xiàn)了總臺算法的可用、可管、可控。（見圖1）

推薦引擎是進行數據處理與推薦計算的核心系統(tǒng)，通過大數據與人工智能技術驅動優(yōu)質內容與用戶精準匹配，是算法推薦的“發(fā)動機”?？偱_算法的推薦引擎基于深度學習模型建立技術框架，其中，多路召回、多目標學習等是關鍵模型，模型的多樣化有助于避免過于單一的考量維度窄化篩選范圍。多路召回綜合了用戶興趣、宣傳引導、共性熱點等多種因子進行粗排序；多目標學習兼顧播放次數、播放時長、曝光次數、完播率、用戶留存等多指標變化，避免陷入對一個或幾個指標的片面追求。此外，推薦引擎中還設入重排模型，對于粗排和精排進行糾偏，保證黃金池、精品池節(jié)目必須占據一定的曝光率。

圖1

圖2

算法工作臺，是總臺算法區(qū)別于商業(yè)媒體平臺的重要應用創(chuàng)新，是打通媒資系統(tǒng)的樞紐，如同 “駕駛艙”。算法工作臺具有智能運營輔助功能，推薦引擎關鍵環(huán)節(jié)的模型在此封裝為預設的算法規(guī)則，經由算法工作臺發(fā)出控制信號調用算法規(guī)則，從而干預算法推薦的運行過程。目前，總臺算法工作臺可為運營人員提供賬號和視頻內容兩個維度的干預能力，可以對推薦結果進行人工強干預，以彌補機器只能識別標簽和點擊量，而無法準確判斷內容價值的弊端。此外，算法工作臺不僅能夠對總臺算法實際效果進行跟蹤和比對，還聚合了微信、微博、抖音、快手、頭條、B站等商業(yè)平臺熱門內容，為熱點運營提供參考。

AB-test算法測試系統(tǒng)是算法效果驗證系統(tǒng)。首先基于算法測試系統(tǒng)使客戶端用戶分流為實驗組和非實驗組用戶，抽取一部分樣本通過隨機方式分流給策略A和策略B，得出量化數值進行對照。A/B測試對照實驗主要觀測用戶類指標、播放類指標、曝光類指標這三大類28項指標（含11項重點指標）。通過對比人均播放、停留、曝光這些數據指標，評判各個版本的效果優(yōu)劣，從而支撐運營策略和算法策略調整。

內容大數據和用戶大數據是總臺算法的“底盤”，對總臺的節(jié)目內容和用戶畫像進行數據化關聯(lián)，使內容和用戶特征與數據緊密“糾纏”在一起，形成知識結構。對內容而言，在創(chuàng)作階段、傳播階段、畫像階段和運營階段，會相應產生推薦曝光數據、熱度畫像、內容元數據、標簽數據、標準化數據等。在用戶畫像方面，從地理位置、設備信息、生命周期、社會屬性、內容偏好、形態(tài)偏好、行為心理等維度被賦予各種標簽元數據。這些數據是算法推薦的重要基礎。（見圖2）

（二）持續(xù)優(yōu)化：實現(xiàn)精準、智慧、靈活的個性化

從算法學習的角度看，總臺算法比商業(yè)媒體平臺算法更為復雜。對于商業(yè)媒體算法，提升流量是唯一目標，通過以“投其所好”為目的的內容推薦，快速獲取用戶流量，滾雪球式做大數據，再以大數據喂養(yǎng)算法，不斷進行算法迭代。而總臺算法的參照系有主流價值、藝術價值、商業(yè)價值三條坐標軸，這種升維躍遷，是對算法的巨大考驗。

好的算法不僅要精準，更要兼具靈活性、預測性和多元性。這不僅對于打破信息繭房具有意義，更是充分理解并考慮到了人性中共存的矛盾。如，用戶在某個時段內偏好相對穩(wěn)定，而時過境遷，偏好又發(fā)生了轉移或擴展；用戶雖然喜歡被“熟悉”與“滿足”包圍，但也需要“奇遇”和“驚喜”，去開拓視野發(fā)現(xiàn)世界的多面?？偱_算法以小步迭代、人機協(xié)同、分眾分類等方式，逐步接近理想目標。

1.小步快跑，不斷優(yōu)化

總臺算法通過不斷測試、小步迭代實現(xiàn)學習、成長，進而達到大規(guī)模穩(wěn)定應用的目標。

上線以來，總臺算法經歷了從V1.0、V1.1、V1.2到V1.3的四次迭代升級。總臺算法在央視頻平臺上的建設，首先在央視頻影視板塊開始應用，然后逐漸推廣到綜藝、音樂、少兒、動漫、汽車、美食、文史、紀錄、法治等10個垂直內容板塊。在垂類板塊積累了應用經驗之后，再在央視頻首頁上線，替換原有的首頁推薦邏輯。目前，每天有5%的央視頻首頁用戶被選中成為總臺算法的使用者，他們的使用數據將成為對照數據，為總臺算法的進一步優(yōu)化提供依據。

下一步，總臺算法將逐步實現(xiàn)垂類和首頁的全覆蓋，并向全臺新媒體平臺推廣。目前圍繞總臺算法建設，總臺正在研究制定融媒體大數據標準，為建設總臺的融媒體用戶畫像倉庫，支持總臺算法的全面應用打下基礎。

2.人機協(xié)同，融合價值

算法本身只是一種先進的技術，但算法的設計者和運用者天然帶有價值立場，因而算法背后的導向決定了內容推薦的價值取向?？偱_算法將主流價值植入算法之中，使算法推薦與主流媒體的運營緊密協(xié)同，為算法掌舵，以導向駕馭算法。

混合編排是央視頻應用總臺算法的一大特色。客戶端整合宣傳內容與算法推薦內容兩個內容流，將兩種內容打散混合，實現(xiàn)價值導向均衡。運行流程包括三個環(huán)節(jié)：一是首次的算法初始化，選擇“主品類”或“主賬號”模式，配置品類，配置賬號；二是日常的混合編排，人工編排節(jié)目并固定位置，其余交給算法；三是偶爾的內容提權或屏蔽，宣推的內容加入黃金池提權，對不宜的內容通過標簽批量屏蔽或單個屏蔽。

隨著總臺算法在央視頻平臺的各個業(yè)務板塊逐步鋪開，針對版權長視頻、feeds流（短視頻信息流）、直播等業(yè)務形態(tài)分別進行了推薦引擎的細化拆分，使得每項業(yè)務更有針對性。在直播推薦上更注重共性熱點，在短視頻推薦上更注重興趣選擇，在版權長視頻推薦上則以精品內容為主，爭取用戶對劇集的連續(xù)收看?！岸處чL”是總臺算法的一個特色功能，對于二次創(chuàng)作的短視頻，通過AI能力關聯(lián)上對應的電影、電視劇、綜藝節(jié)目，便于用戶的關聯(lián)播放。

總臺算法組合使用多樣性打散、特征工程和冷啟動模塊，一旦察覺用戶的興趣過度收斂，適當插入正能量內容和陌生領域內容，對新的興趣點進行試探和引導。

3.分眾匹配，分類關聯(lián)

總臺算法基于用戶洞察和內容感知，實施用戶分眾化匹配和不同節(jié)目類別的分類關聯(lián)。

用戶分眾化是個性化推薦的前提，總臺算法首先基于興趣、地域、生命周期等特征維度對受眾進行人群劃分，然后按照分類熱點內容進行推薦匹配。如，對追劇分眾用戶推薦正在追的劇目，對防疫重點地區(qū)受眾推薦當地最新疫情動態(tài)，對央視精品欄目受眾推薦更多的類似精品欄目等。這一策略可以在受眾行為數據尚不夠多的冷啟動階段，發(fā)揮基礎作用，而接下來就可以根據用戶的進一步點播瀏覽動作判斷其興趣，進行個性化推薦服務。

圖3

圖4

總臺算法對主題宣傳、精品節(jié)目和個性化節(jié)目實行不同的分類算法，并盡量兼顧各個類別之間的比例平衡。對于重大主題宣傳類節(jié)目，采用內容感知算法，即按照主題選取通過臺內審核的報道內容，作為種子節(jié)目，建立“節(jié)目—節(jié)目”的直接關聯(lián)，訓練學習出更多的相關節(jié)目，推動宣推鋪開。對于總臺精品節(jié)目的分類算法，則添加受眾喜好這一因子，在第一階段分眾推送之后，根據受眾反饋信息，篩選出最受歡迎的100個左右精品節(jié)目，作為種子訓練學習出更多的相關節(jié)目，精準擴大精品節(jié)目庫。同時，在不同節(jié)目類別之間實行多賽道混合推薦算法，按照“宣推、精品、個性化”三個賽道分別計算、召回，再在各個賽道間進行均衡混合，實現(xiàn)主流價值、藝術價值和商業(yè)價值內容的有機融合。

（三）技術賦能：央視頻多項指標顯著增長

自總臺算法在央視頻逐漸鋪開以來，影視、綜藝、少兒、音樂等10多個業(yè)務板塊播放次數、播放時長、次日留存等指標均呈現(xiàn)較大程度增長。近半年統(tǒng)計數據顯示，播放時長增長幅度最為明顯，在綜藝、動漫、少兒、音樂、文史等垂類實現(xiàn)翻番，即增長超過100%，而在影視、紀錄、法治等板塊增長也超過60%。播放次數和次日留存指標在動漫、音樂、綜藝、少兒等板塊增長最為明顯，其中，動漫板塊播放次數增長達到72%，音樂板塊播放次數增長49%。次日留存在動漫板塊增長達40%，綜藝板塊增長也接近40%。（見圖3）

2022年4月以來，總臺算法在央視頻首頁也獲得了較好應用效果。無論是在算法推薦位范圍內，還是將算法推薦與人工編排相混合，對比算法組和對照組，在曝光人均VD（播放時長）、曝光人均VV（播放次數）、CTR（點擊通過率）、UTR（用戶轉化率）、人均曝光次數、完播率等各項指標，算法的運用均帶來不同程度提升。（見圖4）

三、挑戰(zhàn)及展望

持續(xù)不斷優(yōu)化完善總臺算法，是總臺作為主流媒體的職責所在，也是媒體融合的實際需求。當前，主流媒體算法依然面臨著許多挑戰(zhàn)，在提高數據資源數量和提升技術發(fā)展水平等方面還有較大的增長空間。首先，必須盡可能做大內容資源和用戶數據。大數據是滋養(yǎng)算法成長的重要“原材料”，也是實現(xiàn)精準推薦的前提。如今，商業(yè)平臺通過用戶生成內容形成海量內容庫，相比之下，主流媒體的節(jié)目內容資源更顯“少而精”。其次，主流媒體平臺的用戶規(guī)模與商業(yè)媒體平臺相比尚存在一定差距。因此，主流媒體應盡可能生產出更多優(yōu)質產品、豐富產品樣態(tài)，擴大內容資源池。第三，打出內容感召、有效宣推的組合拳，吸引更多用戶進入平臺，形成人氣聚集的良性循環(huán)。

應持續(xù)提高技術自主創(chuàng)新能力，使主流媒體的算法技術水平具備強大的競爭力。優(yōu)化信息識別精度，考慮為節(jié)目內容打更多、更細分的標簽，讓產品畫像更精準，更準確地匹配到不同類型、不同偏好的用戶。持續(xù)升級算法技術，繼續(xù)推進算法工作臺新增數據統(tǒng)計工具、用戶畫像展示等功能開發(fā)，進一步研究推進知識圖譜等相關技術應用，推進擴充搜索環(huán)節(jié)周延內容、優(yōu)化搜索結果相關功能，以技術賦能提升用戶體驗。