短视频推荐算法竞争成焦点

短视频是内容推荐系统的典型应用场景之一，用户在看完一段短视频之后，系统会自动推荐一段新的短视频，用户只需要动动手指点击观看即可，不再需要输入关键词、点击搜索并筛选内容这一烦琐过程。这就是推荐引擎和搜索引擎的差异，也正是因为这种差异，短视频的推荐系统才必须更好地了解用户需求以便向他们推荐更加合适的视频内容。很多用户在使用不同的短视频移动应用时，都会有类似的体会：有的应用体验非常好，能让人沉迷进去无法自拔，有的应用推荐的内容却根本不感兴趣，让人觉得无聊至极以致直接卸载该应用。事实上，这就是不同应用程序所采用的推荐算法之间的差异。如果一款短视频应用所采用的推荐算法不够优秀，所完成的内容画像和用户画像不够精准，就完全有可能导致该系统向用户推荐的内容无法实现个性化的精准匹配，从而进一步导致用户体验差、黏着性差、卸载率高等严重影响该产品市场竞争力的恶果。

由于短视频本身存在短、小、轻、薄等特征，这就在很大程度上提高了对推荐内容的精准度的要求，不恰当的一则短视频会与上一则内容之间产生明显的违和感、突兀感，从而使得用户无法沉浸在对内容的流畅体验中。所以，在短视频行业经过了一年多的快速爆发和严厉整顿后，下半场的竞争将会更多地聚焦在推荐算法的竞争上，算法强则核心竞争力强、推荐精准度高则市场占有率高将会成为短视频领域竞争的残酷法则。对于短视频应用而言，无论其推荐系统所采用的技术如何先进或者其算法对不同维度的数据赋予的权重如何不同，其根本目的都是最大化地实现内容与用户的精准匹配，只有这样它才可能在争夺用户注意力的战场上胜出。

在这一点上，快手App的思路非常清晰，它通过精准刻画用户的意图，组合运用不同的算法来针对性地推荐个性化视频、全面地覆盖用户的不同需求，以期能够提升用户的点击率和观看率。具体而言，在一位新用户尚未注册登录的情况下，它在没有形成一个较为完善的用户画像的时候，主要通过简洁的界面、随机的展示和体验友好的瀑布流等方式鼓励用户根据自身的兴趣爱好选择相应的短视频内容。在用户已经点击观看了几则短视频内容并刷新之后，推荐系统就会根据用户已经选择的内容向他展示更多与前几条短视频相类似的内容。在用户完成注册并登录之后，推荐系统主要通过组合“关注”“发现”和“同城”等几种不同的推荐算法力图做到用户在不同场景下的不同内容需求。“发现”推荐的内容综合运用了协同推荐系统和内容过滤推荐系统两种方式，前者通过历史数据推断用户的兴趣偏好并据此向用户推荐新的内容，而后者则主要向用户推荐与他们之前看过的内容高度相似的短视频。“关注”向用户呈现的则是他已经关注了的短视频生产者创作的内容，推荐系统也会根据这些内容与用户需求之间的匹配程度进行排序。毕竟同一作者发布的内容也可能截然不同，如果不利用算法进行过滤就可能会直接影响用户的体验。推荐系统会对发布的内容进行类型化和标签化，并利用机器快速地完善其画像，然后再根据算法模型判断这则视频与该用户之前观看的视频是否高度相似，从而决定是否向他推荐。“同城”则是主要基于地理位置的远近来决定优先向用户推荐哪些短视频内容。利用多种算法进行组合推荐的好处在于它可以在很大程度上规避掉单一算法可能存在的明显不足从而最大可能地向用户提供符合其需求的短视频推荐服务。此外，如果用户使用微博账号或者微信账号登录快手的话，推荐系统还会使用社会化过滤推荐系统向用户推荐其社会化媒体中的好友看过、点赞过和评论过的短视频内容。(www.xing528.com)

另外一款短视频应用抖音为了更好地连接内容与用户，也在其推荐算法上面花费了大量的心思。有人将抖音对新上传内容的推荐方式总结为“赛马机制”，其基本的逻辑是：向每一则新上传的短视频内容随机地分配一个比较平均的流量池，对这些新上传视频的综合数据进行比较，并进一步向那些表现较好的视频内容分配一个更大的流量池，经过几轮叠加和不断强化的推荐之后，抖音的爆款内容也就出现了。当然，这种推荐机制更多地是从打造爆款内容的角度出发，其思路在于：已经有100W+的用户喜欢这则短视频内容了，那么它是值得推荐给更多用户的，没看过这则短视频的用户或许也会喜欢。正是这样的思路使得抖音的推荐系统更多地向用户推荐了那些看上去更热门的内容，而非更符合用户真正需求的内容。而为了解决推荐过程中存在的类似问题，抖音采用了“算法推荐+人工精选”的组合机制。一方面利用最新的机器学习技术设计相应的算法规则，确保推荐系统能够按照一定的频率和节奏向用户推荐相似短视频，但同时将这种推荐控制在一定的限度之内从而避免用户产生审美疲劳。另一方面，抖音会经常性地人工精选出不同类型、不同领域、不同作者的优质内容，根据相应的推荐规则和不同的用户标签向他们推荐不同的精选内容。随着学术领域对信息茧房问题的深入探讨以及政策层面对低俗内容的强势整顿，很多短视频应用也逐渐意识到自身推荐系统存在的各类瑕疵并加大力度完善其算法。事实上，好的推荐算法并不是站在流量经济的立场上一味迎合并向用户推荐相似度很高的内容，而是要从更多元化的角度向他针对性地推荐其视野范围之外的有价值内容。