起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識取消算法推薦，是技術上的倒退嗎？
編輯導語：算法推薦在出現后被廣泛應用，它在一定程度上幫助用戶篩選了海量信息，但是過多地依靠算法推薦，也容易導致信息繭房等現象的發生。而近日對算法推薦所采取的系列管理措施，便是對算法推薦可能存在的隱患進行預防和清除。那么，算法推薦的存在是互聯網史上的一段彎路嗎？
算法推薦技術從90年代開始顯露優越性以來，被充分運用于電商、社交、內容資訊等等眾多領域，并均為這些領域的革新做出了貢獻。
但近年來，算法推薦卻不斷受到質疑，無論是本身的有效性，還是其社會影響，都面臨諸多爭議。許多互聯網產品也一改“唯算法至上”的理念，在算法與人工之間搖擺不定，甚至有不少產品開始進行取消算法推薦的嘗試。這是技術上的倒退嗎？算法推薦會成為互聯網歷史上的一段彎路嗎？
一、算法推薦的發展簡史
算法推薦分為許多類型，但簡單來說，其原理就是基于用戶的歷史使用行為或相關信息，通過特定的數據模型，推測出用戶可能的偏愛喜好。
1998年，Amazon平臺上線了基于物品的協同過濾算法（ItemCF算法），將推薦系統推向服務千萬級用戶和處理百萬級商品的規模。這一技術機制的革新產生了良好的效果，Amazon銷售額提高了35%左右——這是推薦算法從實驗室走向商業公司的一次成功應用。
2006年，一家原本做DVD租賃的公司懸賞百萬招募算法推薦系統，希望改善其影片推薦效果。最終，憑借此次大賽的成果，這家公司成功轉型為線上影片點播平臺，并向用戶普及了“推薦”的概念——這家公司就是Netflix。
視頻平臺YouTube同樣以算法推薦為特色。它最早只通過點擊和瀏覽量對內容進行排序，2012年YouTube開始采用復雜的推薦算法，嘗試加入觀看時長、分享、喜歡等參數來向觀眾呈現視頻流。
2016年9月，YouTube將其技術文檔整理成論文《Deep Neural Networks for YouTube Recommendations （深度神經網絡在YouTube推薦系統中的應用）》發表，公布了從大規?？蛇x內容中尋找最適合推薦結果的算法路徑，探討了深度學習帶來的性能跨越式提升。
在視頻網站之后，Facebook、Twitter等社交媒體也紛紛采用個性化信息流，將內容按用戶興趣程度進行排列。從時間順序切換到算法亂序推薦，盡管初期引發了部分使用者的不適，但之后便被證明，這一舉動帶來了用戶使用時長、廣告點擊率的大幅增長。
國內互聯網行業同樣擁抱算法。二十一世紀的第一個十年之后，內容資訊平臺、短視頻應用改變過往人工推薦的習慣，逐步加大算法推薦的比重，一大批代表性應用在這一浪潮中涌現出來。2016年又被稱為“智媒元年”，以紀念算法推薦在內容分發領域所做出的重大貢獻。
毫無疑問，身處信息大爆炸的背景下，算法推薦是繼分類條目與搜索引擎之后的又一技術革新，它極大地提升了信息分發的效率和精準度，以此顛覆了人與信息的相處方式，也得益于這種能力，逐漸被應用于交通、金融、法律等等人類社會的其他領域。
與人工推薦相比，算法推薦的優越性不言而喻。但距“智媒元年”已經過去5年，算法推薦的發展雖然已經蓬勃，但它完全接手了互聯網領域的內容分發嗎？
答案是否定的。
二、一些互聯網產品正在逐步嘗試去算法化
事實上，許多互聯網產品都開始考慮取消算法推薦機制的可能性，并正在做出嘗試。
YouTube客戶端和網頁端都開始提供“不看推薦”和“清除歷史觀看數據”的選項，用戶可以自由選擇切換，其兒童頻道YouTube Kids更是徹底取消了算法推薦，改用純人工篩選內容。
Facebook新聞版塊在2019年開始招聘人工編輯（主要是資深記者），以應對各國政府對其平臺充斥極端內容的指控。
2017年成立的資訊分發平臺Substack也是以人工推薦為特色，讀者通過郵件訂閱來接收內容，這吸引了不少懷舊的客戶，仿佛瞬間回到了RSS時代。該產品在多輪融資后估值已經達到6.5億美元。
為了與之抗衡，Twitter在年初收購了Substack的競爭對手Revue，而Facebook則新近推出了一款名為Bulletin的應用——二者均是以時事通訊作者為主的資訊平臺，并采用編輯篩選，按作者訂閱的模式。
誠然，算法推薦帶來的用戶和收入不可估量，但這么多的平臺都選擇重回時間流或人工推薦的形式，似乎也有那么一些勢在必行的推力。除了商業模式上獨辟蹊徑的考量，或許也是對算法推薦負面效應的一種回應。
1. 極端內容
在《為什么極端內容更容易流行？》一文里，我們曾探討過推薦算法對社交媒體上極端內容傳播的影響。極端內容是一條獲取流量的捷徑，而基于“流量至上”的理念，算法往往在無形中為極端內容的傳播充當了推手的角色。
以Facebook為例，近2/3加入極端主義小組的用戶都是被Facebook推薦關注而非主動檢索。YouTube也面臨同樣的問題，平臺持續不斷地調整其推薦算法，盡量減少有害內容的推薦量以控制傳播，盡管如此，成效卻依然了了。因此這家公司保留了超過1萬人的審核團隊，負責刪除違規視頻以及進一步改善各種機制和政策。
互聯網公司也在嘗試更智能的方式來自動識別極端內容，比如研發一些惡意內容檢測插件，但這些工具并沒有很好地投入使用——因為過于嚴格的審核會影響社區氛圍，平臺方不想因此造成過多的用戶流失。
2. 信息繭房
不少讀者應該都會有過刷短視頻APP一刷幾個小時忘了時間的經歷，原因就在于源源不斷的推薦會讓人深受吸引無法自拔。算法推薦最初應用的目的，是為了提升檢索效率， 降低用戶的時間成本，快速匹配用戶最需要的內容，但卻逐漸演變成為增強用戶粘性，延長使用時間的機制保障，這顯然與本意有所偏離。
引發更多爭議的是“信息繭房”效應。算法推薦會為了取悅用戶，不斷推薦其感興趣的內容，這讓用戶以自身興趣為磚瓦構筑起一道墻，從此只能沉浸在自己喜愛的、熟悉的已知的世界里，這就是“信息繭房”所描述的狀態。
在學術界，針對這一理論的現實效應還存在不少爭議，但可以確認的是，算法基于興趣的個性化推薦，確實收窄了用戶的信息接收范圍，并減少了接受差異化訊息的可能性。在日漸封閉的信息環境中，用戶只看自己想看的，只聽自己想聽的，并在不斷重復和自我驗證中強化固有觀念，進而相信一些扭曲的故事。
要知道，現在還有不少YouTube用戶堅信，地球是平的，人類并不曾登上月球，水可以變成汽油。這就是信息繭房的“功勞”。
3. 失效的嚴肅內容傳播
在快速資訊、短視頻領域，算法推薦或許有著優越的表現，但在嚴肅內容的傳播上卻頻頻失效。這也是為什么Twiiter、Facebook都選擇將嚴肅新聞與社交內容拆分，并投資做獨立的訂閱資訊平臺。
算法的基礎是海量的用戶數據收集，但是有些嚴肅內容，比如深度報道、行業知識等，本身受眾面窄，沒有辦法為機器提供足夠的基礎數據，自然也無法給出合適的推薦。另外，就像許多文藝類電影常常叫好不叫座一樣，很多優質內容與通俗內容放在同一個算法池中，可能很快就被淹沒了，需要人工編輯撈出來。
美國作家尼古拉斯·卡爾《淺?。夯ヂ摼W毒化了我們的大腦》，指出人們在享受互聯網所帶來便利的同時正在犧牲深度閱讀和深度思考的能力：“我們對瀏覽和略讀越來越得心應手，但是，我們正在喪失的卻是專注能力、沉思能力和反省能力。”
這本書講的是超鏈接對互聯網使用者記憶力的損害，但是從條目瀏覽到搜索引擎再到算法推薦，信息獲取的成本越來越低，留給人獨立思考的機會確實也越來越少了。
三、取消算法推薦，不是技術倒退，是發展需要
在平臺行動起來做取消算法推薦的嘗試之前，許多用戶已經提前意識到并展開行動。他們開始想辦法改變互聯網的使用方式，嘗試擺脫算法的影響。基于行為類型的不同，又可以分為“佛系用戶”“自律性選手”和“懷舊型用戶”：
因為算法推薦需要獲取用戶行為數據才能夠生效，于是有的用戶選擇隱藏自己的行為，“不登陸、不點贊、不關注、不評論”，不留使用痕跡，避免定位、相冊、通訊錄等權限被獲取，這類屬于佛系用戶，他們的戰略是盡可能讓算法摸不清自己，從而在互聯網上當一個透明人。
“自律型選手”主要警惕算法引發的沉浸效應，通過手機時長管理軟件嚴格控制各個APP的使用時間，避免使用易上癮APP，偶爾不得不安裝就用完即刪，用強悍的自制力對抗強大的誘惑，進而實現防沉迷的效果。
而“懷舊型用戶”則會拒絕市面上的大多數資訊集合APP，他們會使用RSS工具將多個訂閱源整合在一起，從而實現內容都是自己主動關注的更新，與被動推薦的思路截然相反。對年輕人來說，這是一項古老的服務，卻是擴充視野、走出信息繭房很好的對策。
這么多年來，算法能夠在各個領域得到大規模應用，對信息分發效率的提升以及社會運作有著不言而喻的意義?；ヂ摼W產品嘗試進行一些去算法化的探索，并不是在強行逆轉技術的發展趨勢。在一定程度上去算法化，只是讓算法回歸本意，更好地服務人類。
與此同時，不少互聯網產品也在對現有算法進行著不斷優化以改善用戶體驗，根本目的就是要找出一種更具“可持續性”的發展模式。
過去，我們說算法推薦的作用是把合適的內容推給合適的用戶，那么，“去算法化”就是“把合適的工作留給算法，不合適的工作交給人工。”
作者：二因斯坦；編輯：王煥超；公眾號：騰訊研究院（ID：cyberlawrc）
本文由 @騰訊研究院 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
- 目前還沒評論，等你發揮！
