趙辰瑋?劉韜?都海虹

【摘要】當(dāng)前，抖音等短視頻平臺(tái)得到了快速發(fā)展，高校學(xué)生成為抖音短視頻平臺(tái)的主要受眾。在近些年的新媒體研究中，算法一詞逐漸成為高頻詞匯，通過算法進(jìn)行的視頻推薦模式成為高校用戶獲取信息的重要方式，在為用戶提供海量視頻資源的同時(shí)也加劇了“信息繭房”效應(yīng)。文章主要對(duì)抖音不同的算法推薦原則進(jìn)行了可視化的圖示分析。

【關(guān)? 鍵? 詞】抖音;算法;推薦

【作者單位】趙辰瑋，河北大學(xué)團(tuán)委;劉韜，保定學(xué)院信息工程學(xué)院;都海虹，河北大學(xué)新聞傳播學(xué)院。

【基金項(xiàng)目】河北省高等學(xué)校人文社會(huì)科學(xué)研究項(xiàng)目教育科學(xué)規(guī)劃項(xiàng)目（GH191010）。

【中圖分類號(hào)】G206.2【文獻(xiàn)標(biāo)識(shí)碼】A 【DOI】10.16491/j.cnki.cn45-1216/g2.2019.18.023

近年來，算法成為新聞傳播學(xué)研究領(lǐng)域的“網(wǎng)紅”，計(jì)算科學(xué)、情報(bào)科學(xué)、社會(huì)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(píng)價(jià)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(duì)完整的具有較強(qiáng)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(jī)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(shí)間內(nèi)獲得所需要的輸出。不同的算法可能用不同的時(shí)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(shí)需要的空間復(fù)雜度與時(shí)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(jì)算幾何的算法、圖論的算法等，隨著計(jì)算機(jī)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(shí)間成本，同時(shí)也使得平臺(tái)運(yùn)營商對(duì)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(tái)在用戶使用時(shí)就會(huì)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(dòng)社交領(lǐng)域中的應(yīng)用。

抖音在短時(shí)間內(nèi)迅速擴(kuò)大市場(chǎng)，積累用戶，其背后的智能算法團(tuán)隊(duì)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(gè)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(cè)時(shí)的基本信息，如性別、年齡、地址和基本興趣點(diǎn)，對(duì)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(tái)，且所提供的信息越詳細(xì)或越準(zhǔn)確，其對(duì)用戶需求的判斷越接近用戶的真實(shí)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(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)等使用行為的內(nèi)容會(huì)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(gè)模塊，推薦模塊一個(gè)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(tái)用戶的初期使用階段，此種獲取方式最為主要，這種相對(duì)簡單的算法推薦原則對(duì)于用戶具體興趣的判斷是相對(duì)模糊的，更多的是相似特征人群的興趣集合判斷。可以說，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(huì)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(duì)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(gè)用戶都是傳播場(chǎng)域中的節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都可以獨(dú)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(gè)人的視角構(gòu)建如下信息獲得模型。

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(diǎn)為篩選維度的推薦，這個(gè)維度下，現(xiàn)實(shí)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(qiáng)聯(lián)系為篩選維度的推薦，在通訊錄中的好友、同學(xué)都會(huì)成為推薦所抓取的對(duì)象。重合部分往往會(huì)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(diǎn)的圖示，每個(gè)方形藍(lán)色的圖案代表所感興趣的視頻。平臺(tái)基于用戶使用行為的習(xí)慣，諸如點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)等行為，通過數(shù)據(jù)驅(qū)動(dòng)的方式挖掘用戶的興趣點(diǎn)，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(huì)形成審美疲勞。同時(shí)，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(duì)熟悉的領(lǐng)域，陷入固化的信息空間中，形成一個(gè)信息的孤島，“信息繭房”效應(yīng)不斷疊加?！靶畔⒗O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(shí)》中提出的，主要是指信息個(gè)性化技術(shù)會(huì)使人們出現(xiàn)減少閱讀多樣化內(nèi)容的趨勢(shì)，由于個(gè)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(huì)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(huì)變得狹窄。通過對(duì)移動(dòng)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(huì)把更多的精力與實(shí)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(huì)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(huì)有“根本停不下來”的使用體驗(yàn)，相似的傳播內(nèi)容會(huì)使得用戶的“回聲室效應(yīng)”不斷增強(qiáng)。彭蘭教授曾經(jīng)提出，在社會(huì)化媒體中，人們以社交對(duì)象作為信息來源。他們?cè)谶x擇信息來源的同時(shí)，也就進(jìn)行了信息的過濾。社會(huì)化媒體在一定程度上強(qiáng)化了人群的分化。人們因社交圈以及自身的立場(chǎng)態(tài)度的影響，常常會(huì)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(duì)立。相似內(nèi)容的不斷重復(fù)，會(huì)強(qiáng)化用戶自身已有的觀點(diǎn)與態(tài)度，會(huì)讓用戶覺得和自己持有相同觀點(diǎn)或立場(chǎng)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(shí)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(gè)藍(lán)色的原點(diǎn)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(qiáng)。每個(gè)人的社交圈都隨著移動(dòng)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(shí)社交中好友或同學(xué)的關(guān)注點(diǎn)相似性不高，所以，這個(gè)橫向橢圓內(nèi)關(guān)注點(diǎn)的數(shù)量比縱向多，但是顏色和大小（分別代表用戶對(duì)信息本身的感興趣程度和喜好程度）并不那么強(qiáng)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(huì)看到通訊錄好友發(fā)布的內(nèi)容，因?yàn)槠脚_(tái)通過算法也優(yōu)先推薦強(qiáng)關(guān)系的好友發(fā)布的內(nèi)容。這反映出短視頻平臺(tái)重要的社交屬性，通過自己拍攝視頻在強(qiáng)關(guān)系中的展示，能夠滿足使用者的需要，增強(qiáng)認(rèn)同感和滿足被別人了解的社交需求。這也從一個(gè)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(shí)的人際關(guān)系從相對(duì)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)椤笆煜ぁ?，社交關(guān)系從“匿名”向“實(shí)名”轉(zhuǎn)變。移動(dòng)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(diǎn)類似，流量池也是近段時(shí)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(diǎn)，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(chǔ)、運(yùn)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(huì)行為，后者更強(qiáng)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(píng)價(jià)。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(huì)進(jìn)入疊加推薦的行列，從而獲得更多的閱讀量和點(diǎn)贊。疊加推薦是以內(nèi)容的綜合權(quán)重做評(píng)估標(biāo)準(zhǔn)，綜合權(quán)重的關(guān)鍵指標(biāo)有完播率、點(diǎn)贊量、評(píng)論量、轉(zhuǎn)發(fā)量，且每個(gè)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(jí)，平臺(tái)就會(huì)以大數(shù)據(jù)算法和人工運(yùn)營相結(jié)合的機(jī)制進(jìn)行不斷的推薦。比如，當(dāng)用戶發(fā)布一條視頻時(shí)，平臺(tái)會(huì)自動(dòng)將其分配到一個(gè)流量池當(dāng)中，分發(fā)到一定數(shù)量級(jí)的用戶的推薦界面，然后通過統(tǒng)計(jì)該視頻的播放效果，形成一個(gè)加權(quán)分?jǐn)?shù)，轉(zhuǎn)發(fā)量、評(píng)論量、點(diǎn)贊量的權(quán)重依次遞減，分?jǐn)?shù)越高則獲得疊加推薦的機(jī)會(huì)越大，播放效果好的視頻會(huì)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(jī)會(huì)，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(shì)，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(jī)會(huì)。同時(shí)，由于這類算法更加基于多重用戶受眾的實(shí)際行為分析，所以經(jīng)常會(huì)有大量級(jí)播放次數(shù)的視頻出現(xiàn)。與前兩個(gè)算法推薦相比，流量池推薦的視頻隨機(jī)性更強(qiáng)，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(píng)價(jià)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(píng)價(jià)分?jǐn)?shù)，從而被大量級(jí)推薦，迅速“躥紅”。

四、建議與對(duì)策

依靠強(qiáng)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(tái)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(huì)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(qiáng)對(duì)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(píng)價(jià)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(tái)的識(shí)別能力，對(duì)所謂的“網(wǎng)紅”短視頻內(nèi)容加強(qiáng)甄別，提高原創(chuàng)視頻的推廣力度，加強(qiáng)對(duì)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(jī)制，在審核過程中提高人工排查的參與程度，逐漸樹立傳播審核過程中“人”的參與意識(shí);積極鼓勵(lì)“PGC”的產(chǎn)品生產(chǎn)，對(duì)于具有優(yōu)質(zhì)視頻生產(chǎn)能力的用戶給予鼓勵(lì)，通過身份認(rèn)證、延長視頻時(shí)限等方式給予支持，提升全平臺(tái)的視頻制作水平;始終堅(jiān)持“內(nèi)容為王”的運(yùn)營和管理理念，依靠優(yōu)質(zhì)的平臺(tái)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(píng)價(jià)機(jī)制，進(jìn)一步凈化網(wǎng)絡(luò)空間。

|參考文獻(xiàn)|

[1]李瑋，戴夢(mèng)嵐. 動(dòng)畫短視頻：數(shù)據(jù)新聞的成熟可視化形式？——基于2016年“兩會(huì)”報(bào)道中的動(dòng)畫短視頻來談[J]. 新聞界，2017（1）：64-69.

[2]戴德寶，顧曉慧. 用戶參與行為、感知價(jià)值與忠誠度：基于移動(dòng)短視頻社交應(yīng)用的分析[J]. 消費(fèi)經(jīng)濟(jì)，2017（2）：58-65.

[3]韓存齊. 短視頻的傳播特性研究——探析自媒體時(shí)代短視頻新聞發(fā)展趨勢(shì)[J]. 湖北科技學(xué)院學(xué)報(bào)，2017（1）：100-102+109.

[4]王海燕. 抖音的算法推薦特點(diǎn)分析[J]. 新媒體研究，2018（20）：21-22+33.