算法時代的影像創意內容個性化推薦機制研究

王兆紅 劉慶振

隨著大數據、云計算、人工智能等技術的快速發展，算法、個性化分發、推薦系統等概念正在為內容產業乃至整個傳媒產業帶來新的思維方式、生產方式和消費方式。在今天，中國至少有超過6億以上的人、全球至少有超過25億以上的人借助于算法來獲取每天所消費的內容產品，這些內容產品既包括公眾號、知乎問答這樣的圖文內容，也包括得到喜馬拉雅這樣的音頻內容，還包括短視頻、影視劇這樣的影像內容。與此同時，在互聯網和移動互聯網領域的海量內容產品消費方面，有超過60%以上的流量都要歸功于推薦算法和個性化分發系統。毋庸置疑，算法的巨大優勢已經徹底改變了用戶獲取內容、消費內容和分享內容的習慣，而且其影響力將會在未來進一步提升，并從根本上改變內容產品的研發、生產、分發和反饋等各個環節。由于內容產品類型多元、形式多樣，因此本文將聚焦于重點探討影像創意內容產品的個性化推薦算法及其對影視傳媒產業可能產生的重要影響。

一、 推薦系統的核心價值與基本邏輯

事實上，盡管大量用戶依然并不清楚內容推薦系統的技術架構究竟是什么樣，但是他們在影像內容的消費過程中已經離不開推薦系統了：今日頭條推薦的小視頻內容、抖音快手推薦的短視頻內容、新浪微博推薦的各種視頻鏈接、優酷土豆愛奇藝等推薦的影視劇作品……當用戶在等公交車、乘坐地鐵時，當用戶在緊張工作了幾個小時停下來休息時，當用戶在晚上即將睡覺之前，當用戶在周末擁有整段閑暇時光時，這些生活、學習、工作、社交方面一個個看似非常普通的場景，都有可能是算法向用戶進行個性化影像內容推薦的良好時機?！皟热萃扑]就是將用戶感興趣的話題和內容呈現在用戶面前，你看到的是明星逸事，我看到的是影片點評?！盵1]這也就意味著我們必須根據用戶的興趣、偏好、調性，并結合用戶過去的內容消費記錄和消費習慣進行更加個性化的推薦。只有推薦系統每次向不同用戶推薦的不同內容，才有可能是針對具體每一位用戶進行的個性化推薦。因此，不同的用戶即使在同一時間登錄的是同一家視頻網站或者同一個短視頻移動應用，他們在各自的登錄頁面所看到的推薦內容也應該是完全不同的。甚至更進一步地，即使他們同時選擇了同一家視頻網站的電影頻道或者同時輸入了“喜劇電影”這個關鍵詞，推薦系統向他們呈現的也應該是更符合各自口味的不同內容。因此，推薦系統實際上在做的事情就是完成具體場景下用戶和內容之間更高效進行連接的技術工具。換言之，其根目的是“在智能傳播時代實現用戶、場景和內容之間的精準匹配”[2]。

在這個意義上，推薦系統連接著內容與用戶雙方，每次的完善、迭代或進化的基本動力就是不斷地提升它所推薦內容的精準程度或提高它的匹配概率。對于用戶來說，他希望看到的內容應該是個性化的而不是千篇一律的內容，他每次對內容的選擇、觀看、評論和轉發等行為都會變成一種正向的認可或者負向的反感，推薦系統會根據這些歷史數據不斷地探索不同用戶的興趣偏好，以便向他推薦的內容越來越多地受到認可。對于內容來說，它希望能夠找到越來越多對此話題感興趣的用戶，使他們愿意點擊、完成觀看并進行評論。只有真正找到合適的用戶而不是單純地呈現在所有用戶面前，只有這樣的內容傳播才是有效的。所以，為了更好地完成用戶和內容之間更加精準、更加高效、更加個性化的連接和匹配，推薦系統必須不斷地優化它對二者的了解和洞察：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、職業等）、興趣偏好（包括星座、性格、才藝、社交關系等）、場景特征（包括時空、狀態、心情、周圍環境等）;另一方面，它還要從不同的維度、不同的視角來完成對每一則內容的判斷，包括這則內容的基本屬性（作者、時長、類型、年代等）、情感屬性（人物、故事、沖突、感情等）、社交屬性（話題、評分、評論、看過的好友等）。只有這樣，它的推薦才會越來越精準、越來越個性化、越來越受到用戶的認可和依賴。

實際上，這個不斷提升對用戶和內容了解程度的過程，就是一個不斷完善用戶畫像和內容畫像的過程?！八^用戶畫像，就是根據用戶人口統計學信息、社交關系式等信息而總結、抽象和挖掘出來的標簽化用戶模型?！盵3]同理，內容畫像就是將內容本身的類型、特征及其可能的潛在用戶進行總結、抽象出來的內容模型。無論是進行用戶畫像，還是進行內容畫像，最常用的兩種方式就是對用戶和內容進行類型化和標簽化，也就是分類和貼標簽。例如，我們可以把影像內容分為電影、電視劇、紀錄片、綜藝節目等不同的類型，在電影這個類型下面，我們又可以按照地域分港臺電影、大陸電影、日韓電影、歐美電影等細分類型，或者按照題材分為愛情電影、喜劇電影、戰爭電影、驚悚電影等細分類型，這就是一個分類的過程。當然，無論對于內容還是對于用戶而言，分類意味著把不同的內容或者不同的用戶歸入同一個類別，其導致的結果雖然在一定程度上方便了用戶的主動查找，但也非常容易造成畫像不夠細致。因此，我們需要利用標簽體系來完善具體到某一則內容或某一位用戶的個性化特征。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”這個標簽充實在它的用戶畫像中，在對他進行個性化影像內容推薦時，系統就會根據算法推薦機制優先向他推薦同樣也貼有“劉德華”標簽的內容。這也就是內容推薦系統最基本的原理，在這個邏輯下，不同的推薦系統和不同的應用經過長時期的探索不斷完善著它們的個性化內容推薦算法。

二、 推薦系統在短視頻領域的應用

短視頻是內容推薦系統的典型應用場景之一。用戶在看完一段短視頻之后，系統就會自動推薦一段新的短視頻，用戶只需要動動手指點擊觀看即可，而不再需要自己輸入關鍵詞、點擊搜索并篩選內容這一繁瑣過程。這就是推薦引擎和搜索引擎的差異，也正是因為這種差異，短視頻的推薦系統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容。很多用戶在使用不同的短視頻移動應用時，都會有類似的體會：有的應用體驗非常好，能讓人沉迷進去無法自拔，有的應用推薦的內容卻根本不感興趣，讓人覺得無聊至極以致直接卸載該應用。事實上，這就是不同應用程序所采用的推薦算法之間的差異。如果一款短視頻應用所采用的推薦算法不夠優秀，所完成的內容畫像和用戶畫像不夠精準，就完全有可能導致該系統向用戶推薦的內容無法實現個性化的精準匹配，從而進一步導致用戶體驗差、粘著性差、卸載率高等嚴重影響該產品市場競爭力的惡果。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推薦內容的精準度的要求，不恰當的一則短視頻會與上一則內容之間產生明顯的違和感、突兀感，從而使得用戶無法沉浸在對內容的流暢體驗中。所以，在短視頻行業經過了一年多的快速爆發和嚴厲整頓后，下半場的競爭將會更多地聚焦在推薦算法的競爭上，算法強則核心競爭力強、推薦精準度高則市場占有率高將會成為短視頻領域競爭的殘酷法則。對于短視頻應用而言，無論其推薦系統所采用的技術如何先進或者其算法對不同維度的數據賦予的權重如何不同，其根本目的都是要最大化地實現內容與用戶的精準匹配。只有這樣，它才可能在爭奪用戶注意力的戰場上勝出。

在這一點上，快手的思路非常清晰，它通過精準刻畫用戶的意圖，組合運用不同的算法來針對性地推薦個性化的視頻、全面地覆蓋用戶的不同需求，以期能夠提升其用戶的點擊率和觀看率。具體而言，在一位新用戶尚未注冊登陸的情況下，它在沒有形成一個較為完善的用戶畫像時，主要通過簡潔的界面、隨機的展示和體驗友好的瀑布流等方式鼓勵用戶根據自身的興趣愛好選擇相應的短視頻內容。在用戶已經點擊觀看了幾則短視頻內容并刷新之后，推薦系統就會根據用戶已經選擇的內容向他展示更多與前幾條短視頻相類似的內容。在用戶完成注冊并登錄之后，推薦系統主要通過組合“關注”“發現”和“同城”等幾種不同的推薦算法，力圖做到用戶在不同場景下的不同內容需求。“發現”推薦的內容綜合運用了協同推薦系統和內容過濾推薦系統兩種方式，前者通過歷史數據推斷用戶的興趣偏好并據此向用戶推薦新的內容，而后者則主要向用戶推薦與他們之前看過的內容高度相似的短視頻。“關注”向用戶呈現的則是他已經關注了的短視頻生產者創作的內容，推薦系統也會根據這些內容與用戶需求之間的匹配程度進行排序。畢竟同一作者發布的內容也可能截然不同，如果不利用算法進行過濾，就可能會直接影響用戶的體驗。推薦系統會對發布的內容進行類型化和標簽化，并利用機器快速地完善其畫像，然后再根據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近來決定優先向用戶推薦哪些短視頻內容。利用多種算法進行組合推薦的好處在于，它可以在很大程度上規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。此外，如果用戶使用微博賬號或者微信賬號登錄快手，推薦系統還會使用社會化過濾推薦系統向用戶推薦其社會化媒體中的好友看過、點贊過和評論過的短視頻內容。

另外一款短視頻應用抖音為了更好地連接內容與用戶，也在其推薦算法上面花費了大量的心思。有人將抖音對新上傳內容的推薦方式總結為“賽馬機制”，其基本的邏輯是：向每一則新上傳的短視頻內容隨機地分配一個比較平均的流量池，對這些新上傳視頻的綜合數據進行比較，并進一步向那些表現較好的視頻內容分配一個更大的流量池，經過幾輪疊加和不斷強化的推薦之后，抖音的爆款內容也就出現了。當然，這種推薦機制更多地是從打造爆款內容的角度出發。其思路在于：已經有“100W+”的用戶喜歡這則短視頻內容了，那么它是值得推薦給更多用戶的，沒看過這則短視頻的用戶或許也會喜歡。也恰恰正是這樣的思路使得抖音的推薦系統更多地向用戶推薦了那些看上去更熱門的內容，而非更符合用戶真正需求的內容。而為了解決推薦過程中存在的類似問題，抖音采用了“算法推薦+人工精選”的組合機制。一方面，利用最新的機器學習技術設計相應的算法規則，確保推薦系統能夠按照一定的頻率和節奏向用戶推薦相似短視頻，但同時將這種推薦控制在一定的限度之內從而避免用戶產生審美疲勞。另一方面，抖音會經常性地人工精選出不同類型、不同領域、不同作者的優質內容，根據相應的推薦規則和不同的用戶標簽向他們推薦不同的精選內容。隨著學術領域對信息繭房問題的深入探討以及政策層面對低俗內容的強勢整頓，很多短視頻應用也逐漸意識到自身推薦系統存在的各類瑕疵并加大力度完善其算法。事實上，好的推薦算法并不是站在流量經濟的立場上一味迎合并向用戶推薦相似度很高的內容，而是要從更多元化的角度向他針對性地推薦其視野范圍之外的有價值內容。

三、 推薦系統在影視劇領域的應用

算法推薦的最重要價值在于它能夠提高內容分發的效率，尤其是在今天內容產品以爆炸式的速度增長的語境之下，無論對于用戶需求還是對于內容本身，個性化推薦系統無疑都是一個實現精準匹配、解決信息過載問題的重要手段。具體到影視領域，個性化推薦系統的價值也是顯而易見的。今天的用戶在互聯網上消費影視產品時，他們面對的是數十萬乃至上百萬部影視作品的巨大庫存，而且這個數字每年還在陸續地增加。單就國內來看，從2012—2017過去的五年間，我國的電影產量年均超過1000部、電視劇產量年均超過10000集。如果一名用戶每天24小時不吃不睡只用來觀看這些新增的影視作品，他的時間都是不夠用的。在過去，幾乎所有的視頻網站都傾向于采用熱門影視劇推薦的方式向所有用戶進行千篇一律的內容推薦。舉例而言，用戶A和用戶B登錄某一家視頻網站時，在兩位用戶的登錄首頁所看到的推薦作品是一樣的，幾乎都是最近一段時間比較熱門的影視劇集，視頻網站并不會因為兩位用戶的的性別、年齡、地域、職業、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容。這就會導致所有視頻網站的幾乎絕大部分流量都流向少數的所謂“頭部”內容，出現80/20現象：即80%的流量流向了20%的熱門作品，其余80%的作品分享了剩余的20%流量。這種粗放式的經營方式在過去個性化推薦技術尚不流行的時代還有其生存的空間，但是隨著流量紅利的褪去以及內容產業競爭的加劇，面向用戶進行的更集約化、更精準化的運營方式對影視作品的個性化推薦系統提出了更高的要求，算法推薦也成為影視作品分發環節的標配。

從國際上看，Netflix在全球范圍內都可以算得上較早進行影像內容個性化推薦的先行者，它從2006年懸賞百萬美元進行推薦算法大賽開始，就一直致力于不斷優化面向用戶消費需求的影像內容推薦系統，并取得了令人矚目的業績。截止到2017年12月31日，Netflix全球用戶總數已經達到1.1758億人。其中，付費用戶超過6000萬，每天在其網站上的觀看時長超過1億小時，這在很大程度上得益于其面向用戶進行個性化匹配的算法推薦系統。更值得一提的是，根據Netflix官方的粗略估算，其推薦系統每年為它節約的運營費用為10億美元左右。正是因為Netflix對其推薦系統的高度自信，所以它大膽地在用戶登錄的首頁就采用了個性化的推薦算法，用戶登陸后首先看到的不是熱門影視內容的推薦，而是為每名用戶量身打造的差異化內容呈現。事實上，這一策略也的為Netflix帶來了很好的回報：用戶平均每3個小時的視頻播放時長中就有2個小時是來自于用戶登錄首頁的個性化推薦內容。為了減少用戶漫無目的進行內容搜索與過濾的時間，Netflix綜合運用了多種算法在登陸首頁的最重要位置進行推薦，針對每位不同的用戶都會有40行個性化的影視作品可供瀏覽選擇，每行又有75部根據不同算法、不同標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明了進行推薦的理由，例如用戶喜歡的演員陣容或網絡評分等。涉及到具體的推薦算法，Netflix會根據用戶的瀏覽記錄選擇相似的影像作品進行推薦、會根據內容排行榜的短期熱點和周期性熱點進行推薦、會根據繼續觀看的場景和用戶搜索的場景進行推薦、會根據付費用戶更加個人化的興趣點進行推薦等。通過近幾年不斷改進和優化自身的算法，Netflix已經顯著提高了它向用戶推薦的影視作品的接受度，提升了這些內容的被播放比率。除了Netflix之外，YouTube也是全球范圍內在影像領域運用推薦系統進行個性化分發的典型企業。2016年，在美國波士頓舉辦的第十屆全球ACM推薦系統大會上，谷歌的研發團隊發表了一篇題為《YouTube推薦系統中的深度學習網絡》的論文，首次詳細地公布了YouTube如何運用深度學習策略提升其推薦效果的技術細節。“跟谷歌其它領域的產品一樣，YouTube同樣經歷了用深度學習來解決所有通用學習問題的根本性范式轉變?！盵4]這也就意味著，推薦系統將會針對用戶的歷史數據、即時場景以及各種其他復雜因素的不斷變化而動態性地調整其所推薦的內容列表。

國內以影視作品為主的互聯網企業在推薦算法方面起步較晚。2006年，Netflix嘗試運用推薦系統進行作品分發時，國內的優酷、土豆等視頻網站剛剛成立。盡管如此，國內的互聯網企業近幾年來也快速地在自身的業務領域加大了應用推薦系統的力度。例如，優酷在其首頁上線了“優酷懂你”，向用戶宣稱看得越多其推薦的內容便會越符合用戶的口味;騰訊視頻上線了“你的專屬頻道”，通過算法為每位用戶精挑細選量身打造一個個性化的內容頻道;愛奇藝上線了“猜你喜歡”，以期借助于對過往瀏覽數據的挖掘找到用戶可能會喜歡的同類內容;豆瓣的電影頻道則專注于通過用戶的“興趣圖譜”來挖掘標簽體系和社交關系對于個性化影視作品推薦的巨大價值。事實上，未來的影視作品分發領域，版權和算法將是各大互聯網企業能否在激烈的市場競爭環境下持續保持優勢地位的兩大關鍵要素。而隨著數據挖掘、深度學習和人工智能技術不斷地迭代進化，應用層面對于“千人千面”分發策略的不斷完善也將推動著個性化推薦系統向著它的理想狀態演進，從而使得內容平臺方對用戶的服務模式也逐漸從過去的主觀臆斷向基于數據的客觀預測轉變。

四、 面向算法時代的影像內容分發趨勢

在一篇題為《2018年傳媒業技術趨勢報告》的文章中，未來今日研究所提到了作為傳媒從業者我們應該重點關注的75個重要技術發展趨勢，這其中的很多趨勢與我們今天所提及的個性化推薦系統和智能算法息息相關，例如深度學習、機器閱讀理解、計算傳播學、5G通信網絡等，這些技術都在以前所未有的程度影響著當前的影像內容乃至更多信息產品的分發模式朝著更加智能化的方向演進。舉例而言，實時機器學習技術（Real-Time Machine Learning）意味著已經開發出來的計算機算法和智能硬件完全可以做到在獲取數據的同時，馬上根據已經取得的這些數據調整相應的模型了。在這樣的前提下，真正能夠稱得上個性化的推薦算法就可以根據用戶當前在手機應用（如抖音或騰訊視頻）的瀏覽速度、關注焦點乃至用戶情緒進行更加精準的內容推薦，或者實時調整頁面的字體、顏色、風格以更適應不同用戶的觀看習慣。再如，這個研究所進行的更有意思的一項研究是，它的科學家正在訓練機器人觀看電視節目，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，這臺基于人工智能的機器人設備已經能夠非常準確地預測視頻中的人物的下一個動作將要握手、擊掌、擁抱或者親吻了。這就意味著，算法可以根據對影像內容的預測以及對用戶需求的預測實時地調整其所推薦內容的播放速度以更加符合用戶的觀看體驗。事實上，無論是影像內容的分發環節，還是信息產品的產消流程，都將在已經開啟的算法時代進行本質上的重構。推薦系統、人工智能、深度學習等技術創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、內容、傳播等領域的理論基礎和現實基礎，改造著我們通過媒體手段、內容產品和傳播方式所建立起來的自身與他人之間的互動關系，并從根本上升華著每位用戶的世界觀和方法論。通過全新的算法邏輯和智能生態，推薦系統能更精確地依靠目標人群的興趣圖譜、用戶畫像和標簽體系實現精準匹配，從而實現由“人找信息”到“信息找人”的本質性轉變。因此，在未來的理想化的內容分發和信息傳播景觀中，任何非智能化、非個性化的內容推薦都在一定程度上可以被視為某種信息噪音，而如何過濾這些噪音則是推薦系統不斷進化的核心使命。

參考文獻：

[1]閆澤華.內容算法：把內容變成價值的效率系統[M].北京：中信出版社.2018：1.

[2]劉慶振.計算傳播學：智能媒體視閾下傳播學研究的新范式[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——內容融合模型的用戶畫像研究[J].圖書情報工作，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.