36氪领读 | 内容推荐算法，抢夺用户时间的利器

能错过用户间的讨论和互动碰撞。给用户展示多元化甚至有冲突的观点，对评论的刺激作用是显著的。而在多元化的讨论之后，内容丰富的评论区也具有了可以消费的价值。如果你的认知还停留在算法分发只会给你推荐感兴趣的内容上，那你的认知泡泡，也该戳一戳了。推荐会导致Low ？对内容推荐的又一个常见误解是：推荐系统会趋向于低质量和Low（低格调）的内容。做出直观判断很容易，深究这一判断背后的原委却并非易事。那么，让我们来仔细讨论一下。1.三问内容质量既然说内容质量低，那总得有个标准吧，这就引入了第一个问题：什么样的内容是质量好的内容？当我向朋友提出这个问题时，大家往往会陷入短暂的沉默：是啊，对于食品，我们有诸如保质期、配料成分表、制作工艺等方面的要求；对于衣物，我们有型号、材质、洗涤方式的规范；对于内容，这种非标准化的手工产品，是否也存在一套类似ISO9001 的标准可以衡量呢？幸亏身边有纸媒的前辈，让我得以请教纸媒对内容的衡量标准。其曾供职的报社，对优质内容的衡量标准如下：“较大反响”“深度”“重大”“普遍好评”，我们不难发现，上述标准多为难以量化的描述性用语。除了第一条站在受众角度——“读者关注面广”“较大反响”，我们尚可以用阅读量、转发量、评论量等数据指标度量外，第二条到第四条都是从创作角度出发，属于主观判断的范畴。对特定垂直行业来说，资深从业者或许有资格能够进行内容深度的判断。对平台来说，通常会涉及多个垂直行业，我们只能以频道编辑建制的方式来解决这个问题。大众说好，专家也说好，“叫好叫座”大概是好内容最理想的终局，一如触乐网的那篇《在三和玩游戏的人们》。在达成“好”的共识之后，进一步的问题是：如果一篇内容专家不叫好，这样的内容是否应该被过滤掉呢？未必。在看过爆米花电影之后，我有翻豆瓣电影看影评的习惯。可看完影评之后我常常会自惭形秽：明明自己觉得还不错的电影，为什么在影评人眼里变得满目疮痍，充满各种各样的问题呢？自己觉得还不错的桥段，在影评人眼中却成了陈词滥调，缺乏创新与深度。在猫眼电影工作的朋友的一番解释让我释然：“你是观众视角，影评人是专业视角。专业的判断跟大众的喜好通常会存在认知背景的偏差，在技法上有待改进的内容并不意味着缺乏受众。一如范雨素的爆红，从文字技法上看，她的内容一定是有缺失的，但她对生活的记录触动了许多人的心。”诚然，如果交由特定群体来判断，或许永远无法产出如“快手”这样的产品。同一段小视频，你看到的是残酷底层物语，他看到的则是生活的延展。在今日头条上，同样有这样的账号：农民王小。用直白的影像记录生活，记录老妈做饭，记录姐姐、姐夫给爸妈送米面油……视频的艺术性？连我这个外行都觉得谈不上。但就是这样的账号，已经累积了 45 万名粉丝，每一条视频都有几十万甚至上百万次的播放量，上千条评论。今日头条“农民王小”账号内容这样的内容，我们怎么评价？它也许不能称之为“好”，但也绝对不至于被定位为低质的内容。正如面对鸡蛋与石头的冲突，我们或许首先应该倾向于鸡蛋。如果进行过度专业化的过滤，或许这样的内容将永无出头之日。那就回归到最后一个问题：什么样的内容是低质的，应该被过滤？虽然对内容质量的判断存在主观性，但并不意味着我们丧失了对内容质量的约束。借助大量的案例分析，我们能够抽离出一些客观指标，也能达成一些平台审核层的主观一致标准，以较少争议、控制误伤量的方式给出评判“内容质量差、不宜传播”的标准：我猜想这也是快手对特定内容做出干预的原因，记录这些内容也许无罪，但这些内容并不适合传播。在明确的低质内容底线之上，平台方或许应该对内容和内容创作者保持足够的宽容。2.为什么会觉得推荐内容格调低劣既然推荐系统已经将绝对低质的内容过滤掉了，那么，为什么我们还会时不时地觉得推荐内容格调低劣呢？这主要有以下两个原因：其一，推荐准确性问题。一方面，每个人的认知程度是不同的，如果一篇内容是低于我们认知水平的，那我们一定会觉得它质量一般、内容格调偏低劣。就像知乎的Live 产品，不管是受到多少好评的讲座，总有人会给出中评或差评：“格调太低劣了，没啥干货。”另一方面，我们对某些内容存在个人偏见。比如，有些人认为郭德纲的相声是“三俗”的，有些人觉得八卦新闻是不好的，等等。如果推荐不能很好地匹配用户的兴趣偏好或认知程度，就会让用户产生内容格调低劣的感觉。在冷启动阶段，由于对用户缺乏认知，推荐并不能很好地刻画用户的兴趣画像。为了最大化地实现用户冷启动阶段的留存目标，推荐必然会从大众化和基础化的热门角度切入。而大众化的内容必然是与部分用户的认知水平存在差异性的，从而让这部分用户认为推荐内容是低质的。随着用户的点击动作、阅读表现、关注行为的积累，基于用户聚类和用户偏好作者的信息，推荐不准的情况能够在一定程度上得到缓解。比如，一个人常看科技内容，不点击娱乐内容或很少看完八卦新闻，系统会大体上知道他的调性，不再推荐他不感兴趣、觉得格调低劣的娱乐八卦新闻。在推荐过程中，更难解决的是认知水平的问题。系统基于文本分析确定了内容分类，可能会推荐一篇质量平平的科技分析给一个重度的科技用户。在这种情况下，用户还是会觉得内容过水，从而对推荐产生微词。我们通常依赖用户对作者的关注程度来局部改善此类问题。其二，用户无意识反馈问题。先讲个真实的案例：一日聚餐，席间A 君说：“你们这个不行啊，老是给我推娱乐八卦，应该多给我推荐一些行业观点、深度分析之类的内容。”B 君道：“好好好，把你的用户ID 给我，我查询一下，看看推荐算法是不是有什么问题。”半晌，剧情反转。B 君朗朗道：“下午 1 点半，刷新一次，给你推荐了 3 条行业资讯、2 条体育资讯、1 条娱乐八卦，你点了娱乐八卦。下午2 点半，刷新三次，你点击了 1 条行业资讯、3 条娱乐八卦。下午 3 点，刷新……”众人相视爆笑，终结谈话，定论：“本我超越了超我。”想象一下，当一篇八卦新闻和一篇深度分析同时出现，你会做出怎样的选择？站在马斯洛需求模型的金字塔前，本我制造了足够大的需求。你点击一篇娱乐八卦，很有可能是本能驱动的下意识行为。你更多地点击娱乐八卦又给了推荐系统对于此类内容更强