智能推薦綁架閱讀？癥結或在於演算法還不夠智能

文/東方亦落

隨著人工智慧的發展，演算法推薦越來越成為了科技界乃至媒體圈推崇的技術手段。從長遠角度來看，演算法推薦是技術與時代發展到一定程度所出現的必然現象。演算法推薦在全球範圍內都已成為一種不可阻擋的趨勢，並且隨著時代的發展，演算法推薦必然會成為未來內容領域的主流之一。

當然，在演算法推薦發展的過程中，也不可避免地出現了一些問題。在《人民日報》的文章中，指出了演算法推薦中存在的簡單粗暴、低質量等一系列缺陷。這些問題是確實存在的，也不應迴避。雖然目前演算法推薦非常火爆，但還需要更加理智和人性化。如果能提升技術水平和樹立正確的態度，相信在未來，這些問題也是可以被克服的。

一、演算法推薦種類頗多，應用領域愈發廣泛

演算法推薦，就是利用用戶的一些行為，通過數學演算法，推測出用戶可能喜歡的東西。推薦演算法大致可以分為基於內容的推薦演算法、協同過濾推薦演算法和基於知識的推薦演算法。

基於內容的推薦演算法，是根據用戶的喜好和關注過的條目（Item）而進行推薦的。比如你看了《死神來了》第一部，那麼基於內容的推薦演算法就會發現這個電影的後四部和你之前觀看的內容有很大的聯繫，並加以推薦。

這種方法有效地避免了Item冷啟動的問題。所謂冷啟動，就是如果Item未被關注過，那麼其他推薦演算法就很少會去推薦。但基於內容的推薦演算法則不然，它可以分析Item間的關係，從而實現推薦行為。

不過，這種方法也有弊端，就是Item有很大程度上的重複可能。比如你看了一則關於馬航的新聞，那麼很多推薦就可能是你瀏覽過的，甚至是內容一致的新聞。此外，基於內容的推薦演算法很難提取到如音樂、電影等多媒體內容的特徵，因此很難進行推薦。而目前的解決辦法是給這些Item人工打標籤，耗費成本較大，不太划算。

協同過濾演算法的原理是推薦興趣相似的用戶喜歡過的內容。比如你的朋友喜歡《死神來了》，那麼也會推薦給你，這即是最簡單的基於用戶的協同過濾演算法。另外還有一種是基於Item的協同過濾演算法。二者都是將用戶的全部數據讀入到內存中進行運算的。此方法訓練過程較長，但訓練完成後推薦過程快。

基於知識的推薦演算法是通過構建領域本體或建立一定的規則進行推薦，也有將此方法歸為基於內容推薦中去的。

還有一種方法是混合推薦演算法，即以加權或者串聯、並聯等方式對上述方法進行融合。

基於多種多樣的演算法推薦，全球範圍內的新聞媒體開始逐漸使用這種方法向用戶推送新聞。

在這方面最早的應該是Facebook。2012年，Facebook在廣告領域開始應用定製化受眾功能，「受眾發現」這一概念得到了大規模應用。一年前，Facebook宣布新的動態消息演算機制。這一計劃來自於對上千位用戶的調查，依據結果對演算法進行改善。對此，Facebook發言人表示，閱讀時間比點贊更能反映興趣。

Facebook通過該項調查發現，以點贊、留言和分享為基礎的演算法，並不足以代表哪些文章對使用者更有意義，比如人們不愛對嚴肅新聞或朋友的悲傷消息進行點贊或留言。因此，將文章瀏覽時間納入貼文排名機制中，以推測使用者感興趣的文章類型。

在目前國內許多的資訊類網站中，也應用到演算法推薦，揣度用戶感興趣的內容並向其進行推送。演算法推薦不僅可以被應用於新聞資訊方面，還可以應用於其他方面。

比如亞馬遜所使用的主流推薦演算法，就是基於物品相似性和用戶瀏覽、喜歡、購買等數據的協同過濾推薦，即用戶緯度和商品緯度。

由於不依賴用戶而基於商品的相似性，所以不會有冷啟動問題。但也因為不依賴用戶，所以比較死板，缺乏個性化推薦。這一演算法廣為人知，但越是簡單的演算法要達到好的效果就越難，特別是這種轉化率極低的演算法。在國內，也有許多電商平台在應用這種演算法。比如「猜你喜歡」、「相似推薦」等功能，就是這種演算法的具體體現。

隨著互聯網的持續發展，我們正處於一個信息爆炸的時代。與以往信息匱乏的狀況相比，面對現階段的海量數據，對信息的篩選和過濾成為了衡量系統好壞的重要指標。具有良好用戶體驗的系統，必然會先對海量信息進行篩選和過濾，剔除無用的低效的部分，展現在用戶面前的必然是高效的或用戶感興趣的部分。

這不僅能夠大幅提升系統的工作效率，也能節省用戶篩選信息的時間。此前，搜索引擎的出現在某種程度上解決了信息篩選層面的問題，但還遠遠不夠，因為搜索引擎也畢竟需要用戶主動提供關鍵詞來進行篩選工作。一旦用戶無法準確描述自己的需求，搜索引擎的篩選效果就將大打折扣。

事實上，受諸多因素的限制，用戶要將自身需求精準地標籤化難度也非常大，這催生了推薦系統的出現，這一系統很好地解決了上述問題，成為用戶和信息之間聯繫的重要橋樑。一方面，用戶能夠更迅速地發現對自身有價值的信息。另一方面，信息能夠展現在對其感興趣的受眾面前，從而實現商家與用戶的「雙贏」局面。

然而，在演算法推薦崛起的過程中，也委實出現了許多問題。

二、演算法推薦簡單粗暴，未來需趨向於人性化及智能化

當下，人工智慧成為了科技界的熱門辭彙，許多技術都想和「人工智慧」挨邊，演算法推薦也不例外。但實際情況很可能是，當前許多平台使用的演算法根本就和「智能」沒有太大的關係，而只是一種簡單粗暴的線性技術。

先說目前許多資訊類平台常用的推薦方式。就是一旦用戶點開了某個內容，後續就會連續不斷地推薦相關的內容。這會導致用戶閱讀面越來越窄。此外，用戶完全無法通過排版來確認重點和非重點內容，讓人有些無法忍受。

實際上，目前普遍用到的演算法並不是真正意義上的智能，而是一種類似於金融資本的方法。就像財務投資人並不需要去理解公司本身，只要關注是否增值即可。遷移到演算法方面，即不用在乎實質內容是什麼，只管是否能夠數字化、是否能分類集合、是否能優化反饋即可。這就是當前演算法處理海量信息的本質，它與資本一樣，既能提升效率，也會與個體產生矛盾。

從本質上來看，目前通過演算法推薦內容的新聞資訊平台只是表面現象，實際上起到的是用戶行為數據收集器和分析器的作用。可以將每一篇資訊都看作一道對用戶的測試題，而用戶的每一次點擊與評論都是一種回答，都會被系統記錄，並與閱讀時間、標籤、關鍵詞等一道構成多維數據矩陣，從而刻畫出這個讀者的特徵。

當然，以資訊面貌呈現出的測試題是相當粗糙的。不過用戶多是在無意識中完成「測試」的，答案較為真實。這其實也就是此類平台技術和商業模式的核心。

從本質來看，資訊類的演算法推薦無非是將內容推薦給用戶。這主要會對兩類人產生影響：生產者（媒體）和消費者（用戶）。

對生產者或者說媒體人而言，這是一個不錯的消息，因為不必再擔心渠道問題，並且可以更加高效廣泛而又有針對性地使自己的產品達到傳播效果。因為只要是優質的內容，這類平台還是很樂意給予流量並推薦給用戶的。當然，這也能培養媒體人對用戶需求的敏感度，更深層次地去思考什麼是用戶眼中的「好內容」。

對於用戶而言，演算法推薦極大地縮減了搜索的成本，提升了閱讀效率，有利於獲得更為全面的資訊與知識。此外，由於這類資訊平台的反向推動力，能使得媒體人更在意用戶需求。這有利於在一定程度上形成對權威的解構，使用戶獲得更合適他們的內容。

但問題在於，目前的演算法推薦也確實存在著內容單一、格局狹窄等一些問題。其實質問題在於，演算法推薦還尚未實現真正的「智能化」。真正優質的內容應該是原創，有觀點的碰撞，更有話語的創新。可惜的是，由於技術等條件的限制，目前的演算法尚未學會這些。如果資訊和新聞缺少了精神風格和主心骨，那就無法稱之為真正的優質。對於資訊平台而言，其表象與演算法機器的矛盾依然存在。

總的來說，以演算法為主的資訊平台不應僅僅以商業模式壓制一切，同時也應該兼顧理想和精神層面的內容。隨著深度學習等技術的發展，人工智慧應該會更加深入地與演算法推薦相結合，技術會更為理智和人性化，進一步克服當前存在的缺陷，從而生產出真正優質的內容。

本文版權歸「最極客」所有，作者東方亦落交流合作聯繫微信：dfyl199299

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！