【編前語】

據今年人民網發布的《2020中國網絡視聽發展研究報告》統計，截至6月份，我國短視頻用戶規模達到8.18億，人均單日時間達110分鐘，近兩成用戶每天看短視頻2小時以上。短視頻產業的繁榮成為了新的資本焦點，但也不免讓人產生新的憂慮。今年上映的紀錄片《社交困境》就指出了類似的問題，隨著推薦算法的不斷強大，作為受眾的我們越來越難放下眼前的手機，不斷地重復著相同的滑動動作，眨眼間消耗掉大把的時間。

澎湃新聞和互聯網資深軟件工程師Justin聊了聊，請他為我們普及一下推薦算法背后的機制。Justin認為，推薦算法的初衷是為了提高人們的閱讀效率，但互聯網公司為了能更多地吸引用戶，把推薦算法變成了一種工具，解決了算力的同時，也加強了社交產品中原先就容易讓人上癮的特質。可惜的是，目前從社會層面上，這個問題很難得到抑制。作為用戶的我們，要有意識地去觀察自己的使用行為，不能讓自己的時間被無意義地吞噬。

“人類在沉迷，機器在學習。”來源：Instagram @ml.india

澎湃新聞：在沒有推薦算法前，網站是怎么推薦內容的？

Justin：在以前，傳統的做法是根據規則過濾內容，比如說根據熱度推薦，某個視頻在本站的熱度很高，那我就給你推薦；如果不高，就不推薦。或者說，如果你曾經點贊過很多生活區的視頻，那就給你推薦生活區的視頻，其他的我就不管了。這些都是很單一的明確的判斷標準。

澎湃新聞：那推薦算法又是一個什么樣的機制呢？

Justin：簡單而言，推薦算法就是把一堆用人話講出來的目標，轉化成機器能夠理解并運算的數字。在大數據統計的基礎上，這個算法會提取用戶和內容這兩者的特征，經過一系列復雜的轉換和計算后，給用戶匹配到合適的內容。

舉個例子，我們把用戶的年齡、性別、注冊時間、歷史點贊行為等數據特征化，作為模型的輸入。這些數據的維度通常非常多，但如果我們簡化為一個二維空間，就是一個個平面上的點。推薦算法就是要用一根不規則的曲線去不斷地擬合這些點，去尋找最佳匹配，慢慢地也就成為了一個復雜的算法。

澎湃新聞：你之前在播客《楓言楓語》中提到過，因為推薦算法的操作太簡單了，所以算法工程師反而不太好控制，甚至會嘲笑自己是調參工程師。這個觀點會不會和上面提到的推薦算法的復雜性產生沖突？

Justin：這可能是我之前在節目里表達得不夠準確。簡單是指的應用層面，而復雜則是設計層面。也不是說應用層面的算法工程師能力不強，畢竟計算機科學工業已經發展了這么多年，肯定會出現許多精細化的領域分工，大家都是各有所長的。

澎湃新聞：那“調參工程師”這個說法又是怎么來的呢？

Justin：對于應用的工程師來說，他們主要是把這個算法現有的模型拿到線上使用，也就是一個輸入加一個輸出。雖然沒有我描述得這么簡單，但總的來說，你可以理解為這個算法的中間是一個黑盒，就是一個fx函數，假設它里面是x加x的話，你輸入一，就會得到二，對吧？也就是說，無論輸入是怎樣的，輸出是肯定不會變的。

而且因為中間這個部分是黑盒，你根本不知道它是怎么運作的，甚至連設計算法的那個人，他可能也不好拍板，說這里輸入一個什么東西后，一定會得到一個什么效果，所以我才說這個算法不是特別好控制。就好比，大腦的最小組成單位是一個神經元，神經元會釋放很多不同的神經遞質，然后產生一些化學反應。你能理解神經元是怎么運作的，你就能完全明白我們的意識是怎么產生的嗎？不可以，這是兩個不同的維度。尤其當推薦算法正式上線的時候，它將面對一個裝有幾億甚至幾十億用戶的龐大沙盤，最后這個群體會變成什么樣子，我們是不可預知的。

澎湃新聞：所以推薦算法工程師每天就是在控制參數嗎？他們的工作內容是怎樣的，可以舉個例子嗎？

Justin：舉個例子，如果我們的目標很明確是要讓某一類型內容（feed）的點贊率上升，那我們可以先撈一撥用戶出來，作為實驗組，然后再撈一批用戶作為對照組，通過很科學的方式驗證這個算法實驗的操作是否正確。

之后，我再對這些用戶和內容特征做一個不同權重的設計，把這些特征輸入我們的模型后，就可以通過調參得到不同的目標：比如推一個內容（feed），就是為了讓你點贊，或者就是為了讓你評論等等。

實驗之后，我發現之前調的那些東西是對的，那就說明我做對了。但至于我是怎么做對的，我也只是猜測，我不確定我寫了這些東西之后，它到底能不能得到這樣的結果，甚至可能會發生這樣的小概率事件：我的實驗結果是對的，但在全網鋪開后，這個算法模型反而起到了反效果。這是因為推薦算法真正難的地方在于，很多時候你的目標是不可量化的，而我們只能通過其他多個可量化的指標去逼近這個不可量化的指標。

澎湃新聞：你之前還提到了一個觀點：推薦算法的弊端在于，它沒法保證推送給我喜歡內容的同時，還讓我學到新東西。為什么出現這個問題呢？

Justin：這其實是機器解決人類問題所面對的一個非常大的難點。機器的目標通常是非常明確的，而我們想學到的東西，常常是不可量化的。

學習新知識，需要的是發散思維，需要不斷地拓寬認知領域，但純靠機器推薦的話，它的趨勢肯定是收斂的。比如我在ins上點贊了一些美女和賽博朋克風格的照片，那它一定會繼續給我推薦這兩種照片。如果機器想幫助我拓寬認知邊界，那它一定得想辦法在里面塞更多的東西，而且不能是美女或賽博朋克。換言之，它只能猜測。

因此，現在抖音、快手等內容平臺會加入很多機器推薦之外的策略。比如通過和你背景相似的群體的喜好，去試探你喜歡的內容，如果你點擊了喜歡，那你的歷史數據就會被慢慢改變了。還有人工干預，比如新出了一個綜藝，熱度不夠的話，機器肯定是無法預知的，就需要人工把這個內容推向全網。

澎湃新聞：那可以說，推薦算法是導致人們不斷沉迷手機的罪魁禍首嗎？

Justin：不一定。手機成癮本身的根源并不在于推薦算法，推薦算法僅僅是一種新型的技術手段，它極大地解決了算力問題，助長了原先就存在于社交產品中的那些特質。畢竟，每天起床去健身房的人是少數，每天堅持閱讀的人也是少數，絕大多數人可能更喜歡被投喂信息的方式。

在推薦算法沒出來前，人們也需要花很多時間去閱讀內容。大概在2010年前后，推特已經有上億用戶，每名用戶關注的人數也超過了百位，如果一百個人每天發三條推特，按照傳統的時間排序，用戶如果想看到高質量的內容，就只能往上翻，翻完這300條推特，這個閱讀效率是很低的。推薦算法的出現，能幫助讀者快速地完成閱讀，以免被淹沒在90%的無意義聒噪中。

我始終認為技術本身是中立的，它產生的時候就是單純地為了解決一個技術難題，而不是為了讓一些公司做A/B測試。至于它解決了難題后，未來會變成什么樣，這并不是技術在發展的過程中它所會去考慮的。