算法視域下抖音短視頻平臺視頻推薦模式研究

近年來,算法成為新聞傳播學(xué)研究領(lǐng)域的"網(wǎng)紅",計算科學(xué)、情報科學(xué)、社會網(wǎng)絡(luò)科學(xué)等自然科學(xué)研究方法和研究工具逐漸被引入新聞傳播學(xué)領(lǐng)域,可將數(shù)據(jù)公式化和結(jié)構(gòu)化的研究工具,使得原本在理論描述中的傳播規(guī)律和效果評價真正得以通過量化和圖示化的方式進(jìn)行表達(dá),一些原本模糊的關(guān)系和不曾發(fā)現(xiàn)的現(xiàn)象聯(lián)系逐漸被揭示和認(rèn)可,從而為新聞傳播學(xué)領(lǐng)域的研究開拓了新的研究空間。

算法(Algorithm)是解題方案的準(zhǔn)確而完整的描述,是一套相對完整的具有較強邏輯性的命令,算法代表著用系統(tǒng)的方法描述解決問題的策略機制。也就是說,我們可以借助算法在特定規(guī)格輸入的有限時間內(nèi)獲得所需要的輸出。不同的算法可能用不同的時間、空間或效率來完成同樣的任務(wù)。算法本身并沒有優(yōu)劣之分,更多的是用在解決問題時需要的空間復(fù)雜度與時間復(fù)雜度來衡量。算法大致分為基本算法、數(shù)據(jù)結(jié)構(gòu)的算法、數(shù)論與代數(shù)算法、計算幾何的算法、圖論的算法等,隨著計算機的發(fā)展,算法已被廣泛開發(fā)并應(yīng)用。優(yōu)秀的算法不但節(jié)約了用戶尋找優(yōu)質(zhì)內(nèi)容的時間成本,同時也使得平臺運營商對高校大學(xué)生用戶基本情況有了大致的了解。例如,一些外賣平臺在用戶使用時就會就近推薦外賣商家或按照用戶的使用習(xí)慣推薦其最感興趣的菜品,這都是算法在移動社交領(lǐng)域中的應(yīng)用。抖音在短時間內(nèi)迅速擴(kuò)大市場,積累用戶,其背后的智能算法團(tuán)隊可以說功不可沒。抖音的算法大致有以下三種方式。

一.基于用戶信息的基本協(xié)同過濾

基于用戶信息的基本協(xié)同過濾是抖音整個算法體系中最基礎(chǔ)和最簡單的算法,也是在視頻推廣過程中普遍應(yīng)用的算法。抖音通過獲取用戶注冊時的基本信息,如性別、年齡、地址和基本興趣點,對用戶的畫像有了大致的描繪。

其后,在信息分發(fā)過程中,抖音通過考慮用戶之間的相似程度進(jìn)行相似內(nèi)容的推薦。當(dāng)用戶開始接觸平臺,且所提供的信息越詳細(xì)或越準(zhǔn)確,其對用戶需求的判斷越接近用戶的真實需要。我們可以構(gòu)建如下推薦模式模型。

假如A、B、C、D的基本信息較為相似,則前期在A、B、C共同感興趣的內(nèi)容或產(chǎn)生點贊、評論、轉(zhuǎn)發(fā)等使用行為的內(nèi)容會較為優(yōu)先推薦給D。比如,抖音的主界面分為同城和推薦兩個模塊,推薦模塊一個重要的原則就是視頻內(nèi)容和用戶興趣的匹配程度。匹配程度越高的信息越能夠被推薦。通常,在平臺用戶的初期使用階段,此種獲取方式最為主要,這種相對簡單的算法推薦原則對于用戶具體興趣的判斷是相對模糊的,更多的是相似特征人群的興趣集合判斷?？梢哉f,不斷擴(kuò)大的用戶數(shù)量和使用行為為這類基礎(chǔ)算法提供了數(shù)據(jù)源,通過海量數(shù)據(jù)的收集與分析,這類算法的精準(zhǔn)程度會不斷提升。與快手等其他視頻應(yīng)用不同,抖音用戶較為集中在城市,用戶的學(xué)歷和年齡差距相對較小,媒介素養(yǎng)也較為相似,而這也是這類基礎(chǔ)算法較為適用的重要原因。

二.基于"去中心化"的精準(zhǔn)推送

社交媒體最重要的原則就是"去中心化","把關(guān)人"的作用逐漸弱化,每個用戶都是傳播場域中的節(jié)點,每個節(jié)點都可以獨立地生產(chǎn)內(nèi)容,擁有一定的話語權(quán),內(nèi)容并非集中于少數(shù)的關(guān)鍵用戶。在這種"去中心化"的精準(zhǔn)推送中,內(nèi)容和社交關(guān)系成為被抓取作為信息精準(zhǔn)分發(fā)的主要依據(jù)。我們可以通過用戶個人的視角構(gòu)建如下信息獲得模型。

圖2"去中心化"精準(zhǔn)推薦模式圖

這一類的精準(zhǔn)算法可以分為兩大類:一類是以內(nèi)容興趣點為篩選維度的推薦,這個維度下,現(xiàn)實社交環(huán)境中的聯(lián)系較弱,甚至沒有聯(lián)系;另一類是以社交強聯(lián)系為篩選維度的推薦,在通訊錄中的好友、同學(xué)都會成為推薦所抓取的對象。重合部分往往會獲得較多的推薦。內(nèi)容維度可以理解為以相同的職業(yè)、愛好、話題組成的相近興趣的集合。如圖2,縱向的橢圓為基于內(nèi)容興趣點的圖示,每個方形藍(lán)色的圖案代表所感興趣的視頻。平臺基于用戶使用行為的習(xí)慣,諸如點贊、評論、轉(zhuǎn)發(fā)等行為,通過數(shù)據(jù)驅(qū)動的方式挖掘用戶的興趣點,從而在下一輪的視頻推薦中合理選擇,進(jìn)一步取悅用戶,增加黏度。但是,正是這種以興趣為標(biāo)準(zhǔn)的推薦模式犧牲了用戶多元化獲得信息的"權(quán)利",限制或影響了用戶改變興趣的想法,這種精準(zhǔn)內(nèi)容推薦的模式使得用戶的接受內(nèi)容過于一致化或單一化,會形成審美疲勞。同時,這一推薦模式也限制了用戶獲得視頻的類型,用戶只能局限于相對熟悉的領(lǐng)域,陷入到固化的信息空間中,形成一個信息的孤島,"信息繭房"效應(yīng)不斷疊加。"信息繭房"這一概念最早是由哈佛大學(xué)法學(xué)院教授凱斯·桑斯坦在其2006年出版的著作《信息烏托邦--眾人如何生產(chǎn)知識》中提出的,主要是指信息個性化技術(shù)會使人們出現(xiàn)減少閱讀多樣化內(nèi)容的趨勢,由于個性定制化的推薦系統(tǒng)是根據(jù)用戶已有的閱讀偏好進(jìn)行關(guān)鍵詞匹配和再分配,基本不會推薦相似性較低或相關(guān)性較差的內(nèi)容,用戶的閱讀內(nèi)容會變得狹窄。通過對移動互聯(lián)技術(shù)的長期觀察,可以發(fā)現(xiàn),在信息積極有效的擴(kuò)散過程中,因公眾自身的信息需求并非全面,公眾會把更多的精力與實踐投放在自己選擇的內(nèi)容和使自己獲得滿足感的領(lǐng)域,久而久之,會將自身桎梏于像蠶繭一般的"繭房"中。這類的算法推薦原則加劇了用戶使用的"沉迷"程度,這也是為什么抖音用戶會有"根本停不下來"的使用體驗,相似的傳播內(nèi)容會使得用戶的"回聲室效應(yīng)"不斷增強。彭蘭教授曾經(jīng)提出,在社會化媒體中,人們以社交對象作為信息來源。他們在選擇信息來源的同時,也就進(jìn)行了信息的過濾。社會化媒體在一定程度上強化了人群的分化。人們因社交圈以及自身的立場態(tài)度的影響,常常會固守在符合自己偏好的信息與意見的圈子里,各種圈子之間相互隔絕甚至對立。相似內(nèi)容的不斷重復(fù),

會強化用戶自身已有的觀點與態(tài)度,會讓用戶覺得和自己持有相同觀點或立場的人成為"多數(shù)",從而沉迷于"擬態(tài)環(huán)境"。

社交關(guān)系維度可以理解為以現(xiàn)實的社交關(guān)系為連接的集合。如圖2,橫向的橢圓為基于社交關(guān)系的圖示,每個藍(lán)色的原點代表社交圈中用戶生產(chǎn)和收看的視頻。這類關(guān)系基于社交關(guān)系的聯(lián)系程度從而變得更強。每個人的社交圈都隨著移動互聯(lián)技術(shù)的進(jìn)步而不斷擴(kuò)大,但是,用戶本身和現(xiàn)實社交中好友或同學(xué)的關(guān)注點相似性不高,所以,這個橫向橢圓內(nèi)關(guān)注點的數(shù)量比縱向多,但是顏色和大小(分別代表用戶對信息本身的感興趣程度和喜好程度)并不那么強烈和突出。正是基于這種算法推薦,用戶在抖音的使用過程中通常會看到通訊錄好友發(fā)布的內(nèi)容,因為平臺通過算法也優(yōu)先推薦強關(guān)系的好友發(fā)布的內(nèi)容。這反映出短視頻平臺重要的社交屬性,通過自己拍攝視頻在強關(guān)系中的展示,能夠滿足使用者的需要,增強認(rèn)同感和滿足被別人了解的社交需求。這也從一個側(cè)面反映出網(wǎng)絡(luò)社交正日益成為人們生活方式的重要組成部分,現(xiàn)實的人際關(guān)系從相對模糊的互聯(lián)網(wǎng)投射轉(zhuǎn)變?yōu)檩^為清晰的社交關(guān)系,互聯(lián)網(wǎng)上的身份從"陌生"變?yōu)?quot;熟悉",社交關(guān)系從"匿名"向"實名轉(zhuǎn)變。移動互聯(lián)社交已成為現(xiàn)代人類的新型交往方式,而這種全新的交往方式改變著人們的思維方

式、行為方式與生活方式。

三.基于"流量池"的疊加推薦

與算法的研究日益成為熱點類似,流量池也是近段時間以來頻繁出現(xiàn)的熱門詞匯。此前,在新媒體研究領(lǐng)域里,流量思維是較為集中的研究熱點,甚至有學(xué)者指出,"得流量者得天下"。流量池思維則是要獲取流量并通過存儲、運營和發(fā)掘等手段,進(jìn)行信息的再傳播,以期獲得更多的流量。流量思維和流量池思維最大的區(qū)別就是流量獲取之后的下一步社會行為,后者更強調(diào)如何用一批老用戶找到更多新的用戶,而流量思維更多的是首輪傳播的效果評價。通常來講,在內(nèi)容流量池表現(xiàn)較好的視頻內(nèi)容往往會進(jìn)入疊加推薦的行列,從而獲得更多的閱讀量和點贊。疊加推薦是以內(nèi)容的綜合權(quán)重做評估標(biāo)準(zhǔn),綜合權(quán)重的關(guān)鍵指標(biāo)有完播率、點贊量、評論量、轉(zhuǎn)發(fā)量,且每個元素所具有的影響權(quán)重又互不相同,當(dāng)達(dá)到一定量級,平臺就會以大數(shù)據(jù)算法和人工運營相結(jié)合的機制進(jìn)行不斷的推薦。比如,當(dāng)用戶發(fā)布一條視頻時,平臺會自動將其分配到一個流量池當(dāng)中,分發(fā)到一定數(shù)量級的用戶的推薦界面,然后通過統(tǒng)計該視頻的播放效果,形成一個加權(quán)分?jǐn)?shù),轉(zhuǎn)發(fā)量、評論量、點贊量的權(quán)重依次遞減,分?jǐn)?shù)越高則獲得疊加推薦的機會越大,播放效果好的視頻會再次加入流量池進(jìn)行更大范圍的分發(fā),而表現(xiàn)較差的視頻則失去了被推薦的機會,沉淀至流量池底部。第二次推薦又獲得比較好的反饋則進(jìn)入下一輪的推薦,從而獲得更大規(guī)模的推薦。流量池推薦帶來了更加明顯的"馬太效應(yīng)",優(yōu)質(zhì)的視頻被反復(fù)推薦,獲得更大的積累優(yōu)勢,而在第一波流量池推送中"遜色"的視頻則失去了更大規(guī)模被推薦的機會。同時,由于這類算法更加基于多重用戶受眾的實際行為分析,所以經(jīng)常會有大量級播放次數(shù)的視頻出現(xiàn)。與前兩個算法推薦相比,流量池推薦的視頻隨機性更強,其推薦的法則并非主要著眼于視頻內(nèi)容,而更多的是通過用戶的反饋進(jìn)行推薦。換言之,流量池推薦更注重視頻傳播效果的評價而非內(nèi)容生產(chǎn)的優(yōu)劣。這也使得一些內(nèi)容并不那么優(yōu)質(zhì)的視頻利用算法推薦的漏洞或不足,能夠取得很高的評價分?jǐn)?shù),從而被大量級推薦,迅速"躥紅"。

四.建議與對策

依靠強大的算法推薦,抖音已經(jīng)在目前短視頻白熱化的角逐中逐漸占據(jù)上風(fēng)。但是,完全依靠協(xié)同過濾和精準(zhǔn)分發(fā)的單純算法推薦不能夠充分適應(yīng)目前快速發(fā)展的受眾需求,平臺需要進(jìn)一步完善更多維度的算法推薦系統(tǒng)。采用更加多元和開放的算法,將會更加合理地促進(jìn)優(yōu)質(zhì)視頻內(nèi)容的傳播。因此,可以進(jìn)一步加強對抖音用戶使用行為的數(shù)據(jù)挖掘工作,引入滿意度、有用性等其他考量維度,優(yōu)化其產(chǎn)品內(nèi)容評價體系分層分類,避免加劇"繭房效應(yīng)",適當(dāng)調(diào)整興趣內(nèi)容與其他內(nèi)容的分發(fā)比例;進(jìn)一步提高平臺的識別能力,對所謂的"網(wǎng)紅"短視頻內(nèi)容加強甄別,提高原創(chuàng)視頻的推廣力度,加強對相似或較為雷同的視頻進(jìn)行過濾審核,避免"同質(zhì)化"內(nèi)容高頻出現(xiàn);積極引入或增加人工審核的機制,在審核過程中提高人工排查的參與程度,同時也要逐漸樹立傳播審核過程中"人"的參與意識。對于搞笑和泛娛樂化的內(nèi)容要適當(dāng)減少推薦。

積極鼓勵"PGC"的產(chǎn)品生產(chǎn),對于具有優(yōu)質(zhì)視頻生產(chǎn)能力的用戶給予鼓勵,通過身份認(rèn)證、延長視頻時限等方式給予支持,提升全平臺的視頻制作水平;始終堅持"內(nèi)容為王"的運營和管理理念,依靠優(yōu)質(zhì)的平臺內(nèi)容增加用戶黏度和吸引新用戶,就一些具有明顯"嘩眾取寵"和惡搞的內(nèi)容,引入投訴和其他負(fù)面評價機制,進(jìn)一步凈化網(wǎng)絡(luò)空間。

本文來源:《出版廣角》:http://m.xwlcp.cn/w/zw/7342.html