推荐系统关键逻辑解析

尽管大量用户并不清楚内容推荐系统的技术架构究竟是什么样，但是他们在影像内容的消费过程中已经离不开推荐系统了：今日头条推荐的小视频内容、抖音快手推荐的短视频内容、新浪微博推荐的各种视频链接、优酷和爱奇艺等推荐的影视剧作品……当用户在等公交车、乘坐地铁的时候，当用户在紧张工作了几小时停下来休息的时候，当用户在晚上睡觉之前，当用户在周末拥有整段闲暇时光的时候，这些生活、学习、工作、社交方面一个个看似非常普通的场景，都有可能是算法向用户进行个性化影像内容推荐的良好时机。“内容推荐就是将用户感兴趣的话题和内容呈现在用户面前，你看到的是明星逸事，我看到的是影片点评。”^[4]这也就意味着我们必须根据用户的兴趣、偏好、调性，并结合用户过去的内容消费记录和消费习惯进行更加个性化的推荐，只有这样，推荐系统每次向不同用户推荐的不同内容才有可能是针对具体每一位用户进行的个性化推荐。因此，不同的用户哪怕在同一时间登录同一家视频网站或者同一个短视频移动应用，他们在各自的登录页面所看到的推荐内容也是完全不同的。甚至更进一步地，哪怕他们同时选择了同一家视频网站的电影频道或者同时输入了“喜剧电影”这个关键词，推荐系统向他们呈现的也是更符合各自口味的不同内容。推荐系统在做的事情就是完成具体场景下用户和内容之间更高效进行连接的技术工具，换言之，其根本目的是“在智能传播时代实现用户、场景和内容之间的精准匹配”^[5]。

在这个意义上，推荐系统连接着内容与用户双方，它每次的完善、迭代或进化的基本动力就是不断地提升它所推荐内容的精准程度或匹配概率。对于用户来说，他希望看到的内容应该是个性化的而不是千篇一律的，他每次对内容的选择、观看、评论和转发等行为都会变成一种正向的认可或者负向的反感，推荐系统会根据这些历史数据不断地探索不同用户的兴趣偏好，以便向他推荐的内容越来越多地受到认可。对于内容来说，它希望能够找到越来越多对此话题感兴趣的用户，使他们愿意点击、完成观看并进行评论，只有真正找到合适的用户而不是单纯地呈现在所有用户面前，这样的内容传播才是有效的。所以，为了更好地完成用户和内容之间更加精准、更加高效、更加个性化的连接和匹配，推荐系统必须不断地优化它对二者的了解和洞察：一方面它要更全面、更立体、更丰满地了解每一位用户的基本信息（包括性别、年龄、地域、职业等）、兴趣偏好（包括星座、性格、才艺、社交关系等）、场景特征（包括时空、状态、心情、周围环境等），另一方面它还要从不同的维度、不同的视角来完成对每一则内容的判断，包括这则内容的基本属性（作者、时长、类型、年代等）、情感属性（人物、故事、冲突、感情等）、社交属性（话题、评分、评论、看过的好友等），只有这样它的推荐才会越来越精准、越来越个性化、越来越受到用户的认可和依赖。(www.xing528.com)

而实际上这个不断提升对用户和内容了解程度的过程，就是一个不断完善用户画像和内容画像的过程。“所谓用户画像，就是根据用户人口统计学信息、社交关系式等信息而总结、抽象和挖掘出来的标签化用户模型。”^[6]同理，内容画像就是将内容本身的类型、特征及其可能的潜在用户进行总结、抽象出来的内容模型。无论是进行用户画像还是进行内容画像，最常用的两种方式就是对用户和内容进行类型化和标签化，也就是分类和贴标签。例如，我们可以把影像内容分为电影、电视剧、纪录片、综艺节目等不同的类型，在电影这个类型下面我们又可以按照地域分港台电影、大陆电影、日韩电影、欧美电影等细分类型，或者按照题材分为爱情电影、喜剧电影、战争电影、惊悚电影等细分类型，这就是一个分类的过程。当然，无论对于内容还是对于用户而言，分类意味着把不同的内容或者不同的用户归入同一个类别，其导致的结果虽然在一定程度上方便了用户的主动查找，但也非常容易造成画像不够细致。因此我们需要利用标签体系来完善具体到某一则内容或某一位用户的个性化特征，例如，某一位用户喜欢刘德华主演的电影，那么我们就可以将“刘德华”这个标签充实在他的用户画像中，在对他进行个性化影像内容推荐的时候，系统就会根据算法推荐机制优先向他推荐同样也贴有“刘德华”标签的内容。这也就是内容推荐系统最基本的原理，在这个逻辑下，不同的推荐系统和不同的应用经过长时期的探索不断完善着它们的个性化内容推荐算法。