編輯導(dǎo)讀：互聯(lián)網(wǎng)世界連接著每一個(gè)人，即使天各一方也近在咫尺。我們?cè)诨ヂ?lián)網(wǎng)平臺(tái)「喜歡」或「不喜歡」的舉動(dòng)，正在悄悄影響整個(gè)社會(huì)。本文作者對(duì)此進(jìn)行分析，希望對(duì)你有幫助。

不要小看你在互聯(lián)網(wǎng)平臺(tái)「喜歡」或「不喜歡」的舉動(dòng)，它都在悄悄影響著整個(gè)社會(huì)。

在這之前，先來了解消費(fèi)者心理學(xué)專家Nir Eyal在《HOOKED》一書中談及的經(jīng)典上癮模型，設(shè)計(jì)師們?cè)O(shè)計(jì)讓用戶「上癮」互聯(lián)網(wǎng)產(chǎn)品服務(wù)的背后，基本原理是通過「觸發(fā)-行動(dòng)-多變的酬賞-投入」4個(gè)方面來養(yǎng)成用戶的習(xí)慣。通過連續(xù)的「上癮」循環(huán)，占領(lǐng)用戶心智，使得用戶不斷投入。

?▲上癮模型

比如，你這會(huì)正無聊(內(nèi)部的觸發(fā))，好朋友在微信給你分享了一個(gè)有趣的視頻(外部的觸發(fā))。你點(diǎn)開鏈接并觀看視頻，這是你的行動(dòng)。在觀看視頻的過程中，里面幽默搞笑的內(nèi)容刺激多巴胺分泌，頓時(shí)你的心情大好，這是看視頻獲得的獎(jiǎng)賞。最后，你對(duì)于這種獎(jiǎng)賞的渴求會(huì)促使你不自覺滑動(dòng)手機(jī)屏幕，開始了下一個(gè)視頻，這就是繼續(xù)投入。

▲上癮模型-示例

在這個(gè)循環(huán)當(dāng)中，起初平臺(tái)還會(huì)給你推薦一些你不喜歡的內(nèi)容。但隨著你的繼續(xù)投入，你會(huì)發(fā)現(xiàn)它越來越懂你，甚至比你還了解你自己。

關(guān)于「科技成癮」的話題已經(jīng)有太多的人談過，我想聊聊在互聯(lián)網(wǎng)中支持其發(fā)展的推薦系統(tǒng)，如何通過你在互聯(lián)網(wǎng)的表態(tài)，影響整個(gè)社會(huì)。

以下，Enjoy~

一、推薦系統(tǒng)中算法的力量

推薦系統(tǒng)(Recommendation Systems)是一項(xiàng)個(gè)性化信息過濾技術(shù)，它利用用戶的偏好信息自動(dòng)地向用戶推薦符合其興趣特點(diǎn)的信息對(duì)象，能夠有效地解決“信息超載”帶來的一些問題。

▲ 推薦系統(tǒng)架構(gòu)| 來自《推薦系統(tǒng)：技術(shù)、評(píng)估及高效算法》

這個(gè)圖稍微有點(diǎn)復(fù)雜，我大概講一下。

目前主流推薦系統(tǒng)基本采用的是“基于模型的協(xié)同過濾”算法，即不斷用數(shù)據(jù)為每個(gè)實(shí)體塑造出一個(gè)盡可能準(zhǔn)確的 “多維向量模型”。通過收集用戶的基礎(chǔ)信息（比如，年齡、性別、所在城市等）和行為數(shù)據(jù)（比如，點(diǎn)擊“喜歡”、點(diǎn)擊“不喜歡”、 瀏覽時(shí)長(zhǎng)、收藏、轉(zhuǎn)發(fā)分享等），為每個(gè)用戶建立一個(gè)偏好畫像?；谶@個(gè)偏好畫像去進(jìn)行特征學(xué)習(xí)和過濾，計(jì)算相似的用戶，得到“近鄰”，最后進(jìn)行推薦。

事實(shí)上，你只需要關(guān)注右上角的部分就可以。從右上角你可以看出平臺(tái)給出的「推薦列表」會(huì)經(jīng)過用戶的反饋，再次回流到推薦系統(tǒng)的模型學(xué)習(xí)和訓(xùn)練當(dāng)中。意思就是，你在平臺(tái)上的行為無時(shí)無刻都會(huì)被系統(tǒng)記錄、學(xué)習(xí)，經(jīng)過分析理解后再從海量的內(nèi)容中為你產(chǎn)生新的專屬于你的推薦列表。

對(duì)于上圖右上角的反饋流程，推薦系統(tǒng)關(guān)鍵在于區(qū)分兩種類型的相關(guān)性反饋：正反饋（用戶喜歡的特征）和負(fù)反饋（用戶不喜歡的特征）。利用二元化機(jī)制可以將推薦列表中的內(nèi)容劃分為“相關(guān)”或“不相關(guān)”兩大類。

在這種機(jī)制的長(zhǎng)期運(yùn)行下，人們的生活會(huì)被算法的力量，一步步蠶食。算法并無道德可言，它只關(guān)心人們感興趣的內(nèi)容，而推動(dòng)它的唯一動(dòng)力則是商業(yè)利益。

正如Elon Musk所說，需要對(duì)機(jī)器人時(shí)刻保持警惕，以免淪為機(jī)器的奴役或滅絕。

二、互聯(lián)網(wǎng)世界的理想國(guó)

現(xiàn)在各大平臺(tái)通過算法通過收集用戶的喜好和標(biāo)簽，你越喜歡什么就越給你推薦什么。這種「上癮」機(jī)制淺層刺激的「爽」，是科技公司和多巴胺的一場(chǎng)共謀，是新時(shí)代的慢性毒藥，讓人們深陷其中，無法自拔。

▲推薦-增強(qiáng)回路

今日頭條的CEO張一鳴說：“我們不需要主編，有主編就會(huì)有傾向性，我們把分發(fā)交給算法，用戶喜歡什么，我們就推給用戶什么。我們不干預(yù)用戶的喜好?！?/p>

對(duì)于算法來說，每次互動(dòng)都是完善模型的有效數(shù)據(jù)，用戶使用得越頻繁，推薦的內(nèi)容就越準(zhǔn)確。在極致的情況下，有可能推薦的內(nèi)容100%都是用戶喜歡的。但這種由智能推薦來決定分發(fā)信息的方式，最終會(huì)使得相近群體的用戶無限「趨同」，這個(gè)趨同不僅體現(xiàn)在所獲取的信息上，還有被信息長(zhǎng)時(shí)間影響下的思維和價(jià)值觀念。

算法的設(shè)計(jì)邏輯是以無限滿足人性偏好為標(biāo)準(zhǔn)，當(dāng)然也包括人性的各種陰暗面都被激活并滿足。與此同時(shí)，對(duì)于一些真正有價(jià)值的內(nèi)容，會(huì)被徹底淹沒。好比，大街上有位哲學(xué)家在演講，旁邊有兩個(gè)女人在打架，你更愿意去看哪個(gè)？

算法實(shí)際上壟斷了數(shù)據(jù)的收集和構(gòu)建方式，以海量的信息構(gòu)建一個(gè)框架，引領(lǐng)和影響眾人的決策以及偏好。這種力量如果不加規(guī)范，沒有任何約束，后果堪憂。如果有一天算法被利用，一而再，再而三給人們推送虛假的信息，那些被算法捆綁的用戶，是否能分辨、從而擺脫算法呢？

事實(shí)上，這種任由智能推薦發(fā)展起來的互聯(lián)網(wǎng)理想國(guó)，我認(rèn)為急需得當(dāng)?shù)娜藶楦深A(yù)，而這種干預(yù)要能代表社會(huì)的正向價(jià)值觀。此外，為了避免極端的馬太效應(yīng)，熱門的內(nèi)容越來越熱門，冷門的內(nèi)容越來越冷門。還需有效機(jī)制，讓分發(fā)的內(nèi)容避免趨同的前提下，帶有正向價(jià)值觀的偏見。

▲推薦-驚喜機(jī)制

對(duì)于用戶而言，就算再喜歡某些內(nèi)容，也不會(huì)只喜歡這類型內(nèi)容。對(duì)于產(chǎn)品推薦的內(nèi)容，需要在用戶喜歡的基礎(chǔ)之上，借助人為干預(yù)超越已知期望探索「驚喜」。

在協(xié)同過濾個(gè)性化推薦產(chǎn)生推薦列表的機(jī)制下，由于用戶評(píng)分矩陣極端稀疏等原因，有學(xué)者提出了一種基于驚喜度的協(xié)同過濾改進(jìn)算法，算法對(duì)于用戶的驚喜值、獎(jiǎng)勵(lì)優(yōu)質(zhì)項(xiàng)目的貢獻(xiàn)、懲罰流行項(xiàng)目的比重，對(duì)相似度計(jì)算公式進(jìn)行改進(jìn)，生成更加合理的鄰居用戶集，充分權(quán)衡推薦內(nèi)容的驚喜度與準(zhǔn)確度。

三、信息繭房的微光

最早在2001年，哈佛大學(xué)Cass Sunstein教授在《信息烏托邦-眾人如何生產(chǎn)知識(shí)》一書中提出，人類社會(huì)存在一種“信息繭房”現(xiàn)象。他認(rèn)為在信息爆炸的互聯(lián)網(wǎng)時(shí)代，人們更傾向于只接受自己感興趣的信息，長(zhǎng)期的信息偏食無異于作繭自縛，久而久之接觸的信息就越來越局限，人就像被桎梏在“信息繭房”內(nèi)，失去對(duì)其他不同事物的了解能力和接觸機(jī)會(huì)。

在這個(gè)時(shí)代看似每個(gè)人都可以隨意獲取信息，事實(shí)上卻是一個(gè)信息牢籠，你以為你想看到的，是別人刻意給你看到的。以為什么都能看見，卻越什么都看不見。

▲負(fù)反饋的連鎖反應(yīng)

在前面討論智能推薦的信息分發(fā)，讓用戶只看到他想看的內(nèi)容。對(duì)于「不喜歡」的內(nèi)容，系統(tǒng)會(huì)根據(jù)用戶的喜好，減少個(gè)性化的推薦，甚至不推薦?！覆幌矚g」一般來說在算法中的影響是局部的，受到影響的只是單個(gè)用戶。但了解過推薦系統(tǒng)智能推薦背后“近鄰”的邏輯后，你還會(huì)認(rèn)為你的「不喜歡」只是個(gè)人行為嗎？

對(duì)于推薦列表的內(nèi)容，面對(duì)單個(gè)用戶標(biāo)記「不喜歡」，并不會(huì)對(duì)內(nèi)容的展現(xiàn)有太多的影響。但是多個(gè)用戶都標(biāo)記了呢，事實(shí)上，在這樣的情況下，系統(tǒng)會(huì)自動(dòng)判定為“劣質(zhì)內(nèi)容”，在平臺(tái)算法周期性更新后，此內(nèi)容將永遠(yuǎn)不會(huì)獲得系統(tǒng)的推薦，也就是永遠(yuǎn)被淹沒在信息的海洋。

一開始，我也認(rèn)為這樣的邏輯并無不合理之處。直到有一天坐車，我在汽車電臺(tái)聽到這樣一個(gè)故事，讓我陷入了反思。

▲用戶反饋| 截取小紅書

事情是這樣的，一位非常喜歡動(dòng)物的小紅書用戶，平時(shí)會(huì)比較關(guān)注流浪動(dòng)物的信息。久而久之，每當(dāng)這位用戶打開小紅書，feed流全是這樣的信息。這讓他非常難過，看到這么多的流浪動(dòng)物被棄養(yǎng)，無家可歸，經(jīng)?？吹竭@類信息，自己卻無能為力。

迫于無奈，發(fā)出了「小紅書不要再給我推送流浪動(dòng)物」的動(dòng)態(tài)。如果依據(jù)之前的邏輯，這些需要被救助的流浪動(dòng)物的信息，就是被系統(tǒng)當(dāng)成「劣質(zhì)內(nèi)容」，悄無聲息地被淹沒，這是一件多么不幸的事啊。

這是被算法支配的世界，系統(tǒng)只會(huì)獎(jiǎng)勵(lì)人們想看到的內(nèi)容。如果大家都點(diǎn)擊不喜歡，那么流浪動(dòng)物的信息能被看到的概率就更小了。

▲負(fù)反饋的背后的秘密

對(duì)于算法，它秉持的絕對(duì)理性或許并不能完成理解用戶「喜歡」與「不喜歡」背后的意涵。或許算法需要進(jìn)步，我們?cè)谝讶淮嬖诘男畔⒗O房中，或許也可以憑借自身的能力做些什么。總不能干等著技術(shù)自己去意識(shí)問題，自我改善吧。

我在想，是不是下次我面對(duì)這樣的情況下，點(diǎn)上一個(gè)贊，分享轉(zhuǎn)發(fā)，評(píng)論，又或者在系統(tǒng)多輪多次推薦類似內(nèi)容的時(shí)候，主動(dòng)告知平臺(tái)運(yùn)營(yíng)團(tuán)隊(duì)「不喜歡」背后的深意，即便是微光。

四、總結(jié)

最后，不要小看自己在互聯(lián)網(wǎng)上的小小舉動(dòng)，這就是每天發(fā)生在你生活中的「蝴蝶效應(yīng)」。既然算法的世界不可避免，那有沒有與它和平相處的方式呢？算法固然需要進(jìn)步，那我們呢？

對(duì)于推薦系統(tǒng)為社會(huì)帶來的便利與效益毋容置疑，在系統(tǒng)巨輪之下，可以對(duì)個(gè)人獲取信息的渠道進(jìn)行優(yōu)化，把更多精力放在主動(dòng)獲取信息之上。

另外，建立結(jié)構(gòu)化的知識(shí)體系，在信息爆炸的時(shí)代，探索更有價(jià)值的信息，而非完全愉悅自我的內(nèi)容。

參考資料：

[1] 《推薦系統(tǒng)：技術(shù)、評(píng)估及高效算法》[2] 專欄 | 推薦系統(tǒng)遇上深度學(xué)習(xí)，讓每一次邂逅都深入人心

[3] 產(chǎn)品分析 | B站－從二次元社區(qū)到綜合視頻社區(qū)

[4] 互動(dòng)與博弈：算法推薦下短視頻行業(yè)生態(tài)與發(fā)展路徑

[5] 偏見的不自知涵化與助長(zhǎng)——算法推薦機(jī)制下“過濾泡沫”

[6] 抖音點(diǎn)了不感興趣還一直推薦

[7] 警惕陷入“信息繭房”

作者：龍國(guó)富，公眾號(hào)：龍國(guó)富，分享用戶研究、客戶體驗(yàn)、服務(wù)科學(xué)等領(lǐng)域資訊，觀點(diǎn)和個(gè)人見解。每周原創(chuàng)更新，與你一起探索未知。

本文由@龍國(guó)富 原創(chuàng) 發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)授權(quán)，禁止轉(zhuǎn)載。

題圖來自u(píng)nsplash，基于CC0協(xié)議