什么叫算法？

在互聯(lián)網(wǎng)時(shí)代，每時(shí)每刻都有大量的內(nèi)容被生產(chǎn)出來(lái)，不論是短視頻還是傳統(tǒng)影視作品，都是人窮盡一生也無(wú)法看完的。將內(nèi)容與其目標(biāo)受眾連接起來(lái)，是影視平臺(tái)的主要任務(wù)。除了用戶主動(dòng)的檢索行為之外，通過(guò)推薦算法所得出的主頁(yè)展示是另外一條途徑。

在眾多影視平臺(tái)之中，Netflix算是影像內(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)。如今，Netflix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)自于首頁(yè)的推薦內(nèi)容。

Netflix的現(xiàn)行的推薦算法綜合考慮到短期熱點(diǎn)，用戶的興趣點(diǎn)以及用戶的觀看場(chǎng)景。除了用于推薦內(nèi)容本身之外，推薦算法還用于平臺(tái)選擇推薦方式。Netflix針對(duì)每一部電影都制作了30-40份海報(bào)，每份海報(bào)的側(cè)重點(diǎn)不同。由于每一部電影對(duì)于不同人的吸引點(diǎn)也各不相同，有的因?yàn)轭?lèi)型對(duì)胃口，有的因?yàn)槟澄幻餍羌用耍訬etflix通過(guò)將側(cè)重點(diǎn)各異的海報(bào)分發(fā)到不同的受眾群體，以提升播放的轉(zhuǎn)化率。

相較而言，國(guó)內(nèi)的視頻平臺(tái)的推薦算法起步較晚，但是發(fā)展迅猛。愛(ài)奇藝于2013年推出了業(yè)界第一個(gè)智能推薦的客戶端，僅兩年之后，用戶瀏覽的推薦內(nèi)容就占到了總流量的30%。

優(yōu)酷的個(gè)性化推薦則從2017年下半年開(kāi)始部分推行，2018年才全面推廣。不過(guò)憑借阿里的龐大用戶數(shù)據(jù)，優(yōu)酷在用戶肖像上有著天然的優(yōu)勢(shì)。2018年優(yōu)酷認(rèn)知實(shí)驗(yàn)室成立，在視頻結(jié)構(gòu)分析和內(nèi)容智能生成上進(jìn)行了提升改進(jìn)。視頻的結(jié)構(gòu)分析也就是直接從聲畫(huà)中提取信息，進(jìn)一步精細(xì)化視頻元素；而內(nèi)容智能生成主要應(yīng)用于海報(bào)，以達(dá)到前述Netflix推薦方式個(gè)性化的效果。

可以說(shuō)，推薦算法是各大影視平臺(tái)博弈中的重要戰(zhàn)場(chǎng)。

人工智能還是人工智障

說(shuō)起來(lái)，推薦算法自誕生伊始就跟影視有著深厚的淵源。

推薦算法的研究起源于20世紀(jì)90年代，由美國(guó)明尼蘇達(dá)大學(xué) GroupLens研究小組最先開(kāi)始研究，他們想要制作一個(gè)名為 Movielens的電影推薦系統(tǒng)，從而實(shí)現(xiàn)對(duì)用戶進(jìn)行電影的個(gè)性化推薦。首先研究小組讓用戶對(duì)自己看過(guò)的電影進(jìn)行評(píng)分，然后小組對(duì)用戶評(píng)價(jià)的結(jié)果進(jìn)行分析，并預(yù)測(cè)出用戶對(duì)并未看過(guò)的電影的興趣度，從而向他們推薦從未看過(guò)并可能感興趣的電影。

也就是說(shuō)，早在彼時(shí)算法的邏輯就已經(jīng)初具雛形了，互聯(lián)網(wǎng)時(shí)代的到來(lái)為算法提供了大量的可供處理的信息，此后，推薦算法才成為視頻平臺(tái)的制勝法寶。

總結(jié)起來(lái)，現(xiàn)在各影視平臺(tái)所用的紛繁復(fù)雜的推薦算法不外乎兩條根本邏輯：一個(gè)是協(xié)同過(guò)濾算法，一個(gè)是基于內(nèi)容的推薦算法。

協(xié)同過(guò)濾算法（Collaborative Filtering，簡(jiǎn)稱CF），也就是根據(jù)所有用戶的歷史數(shù)據(jù)，來(lái)推測(cè)每個(gè)用戶當(dāng)下所可能感興趣的內(nèi)容。這種方法將用戶-內(nèi)容的評(píng)級(jí)矩陣作為輸入數(shù)據(jù)，輸出的則是用戶對(duì)每一個(gè)尚未接觸過(guò)的內(nèi)容的預(yù)估興趣值，并依次將內(nèi)容排序推薦給用戶。

協(xié)同過(guò)濾算法的優(yōu)勢(shì)是不需要關(guān)于內(nèi)容本身的任何參數(shù)，也就是說(shuō)，內(nèi)容是什么不重要，誰(shuí)喜歡它才重要。因此，許多平臺(tái)的相似推薦會(huì)采用“喜歡這部電影的人也喜歡”這種表述。同樣，當(dāng)韓國(guó)導(dǎo)演洪尚秀的電影《引見(jiàn)》的相似推薦中，同時(shí)出現(xiàn)蔡明亮、濱口龍介和赫爾佐格的作品時(shí)，我們也就不必驚訝，因?yàn)樵趨f(xié)同過(guò)濾的邏輯下，正是影迷的選擇造就了不同時(shí)期、不同國(guó)別、不同風(fēng)格的導(dǎo)演之間強(qiáng)有力的連結(jié)。

由于不需要關(guān)于內(nèi)容的任何信息，協(xié)同過(guò)濾算法被廣泛應(yīng)用于電影和音樂(lè)這種難以量化的內(nèi)容的推薦上。它最大的問(wèn)題就是需要豐富的歷史數(shù)據(jù)和龐大的用戶群體，因此難以應(yīng)用于平臺(tái)誕生之初。

第二種是基于內(nèi)容的推薦算法（Content-Based Filtering簡(jiǎn)稱CBF），也就是根據(jù)內(nèi)容的分類(lèi)信息為用戶推薦相似的內(nèi)容。此時(shí)的輸入數(shù)據(jù)是用戶的偏好，以及內(nèi)容的屬性，輸出的是最符合用戶偏好的內(nèi)容。

不難想象，對(duì)于影視而言，基于內(nèi)容的推薦算法最大的挑戰(zhàn)來(lái)源于影視內(nèi)容的難以量化，往往要使用高昂的人工成本。在這方法做到極致的仍是Netflix。

早在2006年，Netflix產(chǎn)品副總裁托德·耶林便帶領(lǐng)團(tuán)隊(duì)為影視內(nèi)容貼上“微標(biāo)簽”。這一方法也被其設(shè)計(jì)者賦予一個(gè)極具數(shù)理色彩的名稱——“Netflix量子理論”。在具體操作中，Netflix雇傭獨(dú)立評(píng)論者來(lái)看片，并從1000多個(gè)標(biāo)簽中進(jìn)行選擇以描述他們所看到的內(nèi)容，如血腥程度，浪漫程度，情節(jié)結(jié)論性等，由此生成了豐富的“微類(lèi)型”。微類(lèi)型的總量竟達(dá)76897種之多，比如“情感充沛的反體制紀(jì)錄片”“基于真實(shí)生活的皇室掠影”，都是所謂的“微類(lèi)型” ，其描述方式幾乎要突破語(yǔ)言的極限。

基于內(nèi)容的推薦算法需要耗費(fèi)大量人力，協(xié)同過(guò)濾算法則難以應(yīng)對(duì)缺乏數(shù)據(jù)的“冷啟動(dòng)”過(guò)程。此外，兩種算法所共同面臨的另一個(gè)難題是用戶興趣漂移，即用戶的興趣點(diǎn)隨著時(shí)間變化，長(zhǎng)期推送相似的內(nèi)容會(huì)讓用戶感到乏味。為此，許多模型通過(guò)加入艾賓浩斯遺忘曲線，滑動(dòng)窗口，長(zhǎng)短期興趣模型等方法進(jìn)行改進(jìn)。

不過(guò)，有時(shí)算法所設(shè)定的過(guò)快的更換速度也容易讓用戶措手不及。假如用戶本著好奇心進(jìn)入了自己本不熟悉的內(nèi)容，又一不小心看完了，結(jié)果第二天首頁(yè)可能被相似內(nèi)容全部占領(lǐng)。說(shuō)到底每個(gè)人的遺忘速度也是不一樣的。人心難測(cè)，和所有現(xiàn)在的弱人工智能一樣，推薦算法距離測(cè)量人心還有相當(dāng)?shù)木嚯x。