算法祛魅②|放不下手机的我们,也被困在了算法里

澎湃新闻记者 邹熳云 刘畅 王亚赛

2021-02-25 08:00 来源:澎湃新闻

字号
【编前语】
据今年人民网发布的《2020中国网络视听发展研究报告》统计,截至6月份,我国短视频用户规模达到8.18亿,人均单日时间达110分钟,近两成用户每天看短视频2小时以上。短视频产业的繁荣成为了新的资本焦点,但也不免让人产生新的忧虑。今年上映的纪录片《社交困境》就指出了类似的问题,随着推荐算法的不断强大,作为受众的我们越来越难放下眼前的手机,不断地重复着相同的滑动动作,眨眼间消耗掉大把的时间。
澎湃新闻和互联网资深软件工程师Justin聊了聊,请他为我们普及一下推荐算法背后的机制。Justin认为,推荐算法的初衷是为了提高人们的阅读效率,但互联网公司为了能更多地吸引用户,把推荐算法变成了一种工具,解决了算力的同时,也加强了社交产品中原先就容易让人上瘾的特质。可惜的是,目前从社会层面上,这个问题很难得到抑制。作为用户的我们,要有意识地去观察自己的使用行为,不能让自己的时间被无意义地吞噬。

 “人类在沉迷,机器在学习。”来源:Instagram @ml.india

“人类在沉迷,机器在学习。”来源:Instagram @ml.india


澎湃新闻:在没有推荐算法前,网站是怎么推荐内容的?
Justin:在以前,传统的做法是根据规则过滤内容,比如说根据热度推荐,某个视频在本站的热度很高,那我就给你推荐;如果不高,就不推荐。或者说,如果你曾经点赞过很多生活区的视频,那就给你推荐生活区的视频,其他的我就不管了。这些都是很单一的明确的判断标准。
澎湃新闻:那推荐算法又是一个什么样的机制呢?
Justin:简单而言,推荐算法就是把一堆用人话讲出来的目标,转化成机器能够理解并运算的数字。在大数据统计的基础上,这个算法会提取用户和内容这两者的特征,经过一系列复杂的转换和计算后,给用户匹配到合适的内容。
举个例子,我们把用户的年龄、性别、注册时间、历史点赞行为等数据特征化,作为模型的输入。这些数据的维度通常非常多,但如果我们简化为一个二维空间,就是一个个平面上的点。推荐算法就是要用一根不规则的曲线去不断地拟合这些点,去寻找最佳匹配,慢慢地也就成为了一个复杂的算法。
澎湃新闻:你之前在播客《枫言枫语》中提到过,因为推荐算法的操作太简单了,所以算法工程师反而不太好控制,甚至会嘲笑自己是调参工程师。这个观点会不会和上面提到的推荐算法的复杂性产生冲突?
Justin:这可能是我之前在节目里表达得不够准确。简单是指的应用层面,而复杂则是设计层面。也不是说应用层面的算法工程师能力不强,毕竟计算机科学工业已经发展了这么多年,肯定会出现许多精细化的领域分工,大家都是各有所长的。
澎湃新闻:那“调参工程师”这个说法又是怎么来的呢?
Justin:对于应用的工程师来说,他们主要是把这个算法现有的模型拿到线上使用,也就是一个输入加一个输出。虽然没有我描述得这么简单,但总的来说,你可以理解为这个算法的中间是一个黑盒,就是一个fx函数,假设它里面是x加x的话,你输入一,就会得到二,对吧?也就是说,无论输入是怎样的,输出是肯定不会变的。
而且因为中间这个部分是黑盒,你根本不知道它是怎么运作的,甚至连设计算法的那个人,他可能也不好拍板,说这里输入一个什么东西后,一定会得到一个什么效果,所以我才说这个算法不是特别好控制。就好比,大脑的最小组成单位是一个神经元,神经元会释放很多不同的神经递质,然后产生一些化学反应。你能理解神经元是怎么运作的,你就能完全明白我们的意识是怎么产生的吗?不可以,这是两个不同的维度。尤其当推荐算法正式上线的时候,它将面对一个装有几亿甚至几十亿用户的庞大沙盘,最后这个群体会变成什么样子,我们是不可预知的。
澎湃新闻:所以推荐算法工程师每天就是在控制参数吗?他们的工作内容是怎样的,可以举个例子吗?
Justin:举个例子,如果我们的目标很明确是要让某一类型内容(feed)的点赞率上升,那我们可以先捞一拨用户出来,作为实验组,然后再捞一批用户作为对照组,通过很科学的方式验证这个算法实验的操作是否正确。
之后,我再对这些用户和内容特征做一个不同权重的设计,把这些特征输入我们的模型后,就可以通过调参得到不同的目标:比如推一个内容(feed),就是为了让你点赞,或者就是为了让你评论等等。
实验之后,我发现之前调的那些东西是对的,那就说明我做对了。但至于我是怎么做对的,我也只是猜测,我不确定我写了这些东西之后,它到底能不能得到这样的结果,甚至可能会发生这样的小概率事件:我的实验结果是对的,但在全网铺开后,这个算法模型反而起到了反效果。这是因为推荐算法真正难的地方在于,很多时候你的目标是不可量化的,而我们只能通过其他多个可量化的指标去逼近这个不可量化的指标。
澎湃新闻:你之前还提到了一个观点:推荐算法的弊端在于,它没法保证推送给我喜欢内容的同时,还让我学到新东西。为什么出现这个问题呢?
Justin:这其实是机器解决人类问题所面对的一个非常大的难点。机器的目标通常是非常明确的,而我们想学到的东西,常常是不可量化的。
学习新知识,需要的是发散思维,需要不断地拓宽认知领域,但纯靠机器推荐的话,它的趋势肯定是收敛的。比如我在ins上点赞了一些美女和赛博朋克风格的照片,那它一定会继续给我推荐这两种照片。如果机器想帮助我拓宽认知边界,那它一定得想办法在里面塞更多的东西,而且不能是美女或赛博朋克。换言之,它只能猜测。
因此,现在抖音、快手等内容平台会加入很多机器推荐之外的策略。比如通过和你背景相似的群体的喜好,去试探你喜欢的内容,如果你点击了喜欢,那你的历史数据就会被慢慢改变了。还有人工干预,比如新出了一个综艺,热度不够的话,机器肯定是无法预知的,就需要人工把这个内容推向全网。
澎湃新闻:那可以说,推荐算法是导致人们不断沉迷手机的罪魁祸首吗?
Justin:不一定。手机成瘾本身的根源并不在于推荐算法,推荐算法仅仅是一种新型的技术手段,它极大地解决了算力问题,助长了原先就存在于社交产品中的那些特质。毕竟,每天起床去健身房的人是少数,每天坚持阅读的人也是少数,绝大多数人可能更喜欢被投喂信息的方式。
在推荐算法没出来前,人们也需要花很多时间去阅读内容。大概在2010年前后,推特已经有上亿用户,每名用户关注的人数也超过了百位,如果一百个人每天发三条推特,按照传统的时间排序,用户如果想看到高质量的内容,就只能往上翻,翻完这300条推特,这个阅读效率是很低的。推荐算法的出现,能帮助读者快速地完成阅读,以免被淹没在90%的无意义聒噪中。
我始终认为技术本身是中立的,它产生的时候就是单纯地为了解决一个技术难题,而不是为了让一些公司做A/B测试。至于它解决了难题后,未来会变成什么样,这并不是技术在发展的过程中它所会去考虑的。 
(本文来自澎湃新闻,更多原创资讯请下载“澎湃新闻”APP)
责任编辑:吕妍
校对:张艳
澎湃新闻报料:4009-20-4009   澎湃新闻,未经授权不得转载
关键词 >> 短视频,推荐算法,手机

相关推荐

评论(21)

热新闻

澎湃新闻APP下载

客户端下载

热话题

关于澎湃 在澎湃工作 联系我们 广告及合作 版权声明 隐私政策 友情链接 澎湃新闻举报受理和处置办法 严正声明