推薦演算法如何運作：塑造你資訊流的人工智慧

每當有人打開YouTube、TikTok或類似的應用程式時，軟體在瞬間內對數千個可能的視頻、歌曲或貼文進行排序，並決定首先顯示哪幾個。這就是推薦系統：一套演算法，旨在預測特定使用者最可能想要哪些項目，這些項目來自一個過於龐大而無法手動瀏覽的目錄。

每個推薦系統背後的兩個基本理念

根據NVIDIA關於推薦系統的技術詞彙表，大多數引擎結合了兩種基本方法。協同過濾假設如果人們過去做出了相似的選擇，他們將來也可能達成一致，因此系統尋找行為模式相匹配的使用者，並推薦那些相似使用者喜歡的內容。基於內容的過濾則查看項目本身的屬性——類型、演員、音頻特徵、標籤——並建議與使用者已經互動過的項目相似的項目。

NVIDIA的詞彙表補充說，一些平台還使用第三層：上下文過濾，它考慮了設備類型、時間或位置等情況細節。它舉了Netflix的例子，Netflix在考慮標題被觀看時的國家、設備、日期和時間的同時，還考慮了觀看本身。

現代系統越來越多地用深度學習來替代或補充這些方法。NVIDIA描述了神經協同過濾等方法，它結合了矩陣分解和多層神經網路來捕捉使用者和項目之間的非線性關係，以及使用遞迴網路或Transformers的基於序列的模型來學習使用者觀看或聆聽事物順序的模式。

平台說他們的演算法優化什麼

TikTok新聞室表示，其「為你推薦」資訊流使用三個信號類別來對視頻進行排序：使用者互動（點讚、分享、關注、評論以及某人創建的內容）、視頻信息（字幕、聲音、標籤）和設備或帳戶設定（語言、國家、設備類型）。TikTok表示這些信號的權重不同——強信號（如完整觀看較長視頻）的計數比弱信號（如與其他觀眾共享一般地理位置）多。

TikTok明確表示，粉絲數和創作者過去高表現視頻的歷史並不是決定特定視頻是否被推薦的直接因素。該公司還表示，它故意混入超出使用者明確興趣範圍的內容，並避免連續顯示來自同一創作者或使用相同聲音的視頻，將其描述為給人們「發現新內容類別的額外機會」的一種方式，而不是被局限在狹隘的資訊流中。

YouTube官方的「YouTube如何運作」網站將其推薦系統的目標定義為理解觀眾的需求並提供令他們滿意的觀看體驗，而不是簡單地最大化觀看時間。它將推薦的輸入列為觀看行為和觀看歷史、點讚和點踩等明確互動、訂閱和直接反饋、頻道的聲譽和質量，以及更廣泛受眾中的趨勢，而不僅僅是一個人的歷史。YouTube表示它用滿意度調查和外部評估團隊來補充行為數據，以檢查推薦的內容是否真正優質，並且對新聞、金融、健康或科學等敏感主題，它對權威來源給予額外權重。

為什麼兩個人永遠看不到相同的資訊流

因為協同過濾將使用者的行為與其他使用者的行為進行比較，內容過濾將項目與個人的歷史進行比較，所以沒有兩個帳戶的信號組合相同——觀看歷史不同、關注不同、設備和位置不同。TikTok直接表示，沒有兩個使用者會在其「為你推薦」資訊流上看到相同的視頻組合。YouTube和TikTok也都表示，系統會隨著每次新的互動而不斷更新，因此在早上觀察到的資訊流可能已經因為期間觀看、跳過或標記為「不感興趣」的內容而在晚上看起來不同。

人們認為這些系統有多準確？

關於人們如何實際認知演算法個性化的研究比工程文獻更有限。皮尤研究中心在2019年1月16日發布的一項調查詢問了Facebook使用者關於平台為廣告定位分配給他們的興趣和特徵類別。調查發現，74%的使用者直到調查指出才知道這個特徵列表的存在，只有12%的人事先意識到了這一點。一旦看到自己的類別，59%的人表示這些標籤相當或非常準確地反映了他們現實生活中的興趣，而27%的人不同意；51%的人表示，即使他們認為這些列表準確，他們也對平台編譯這樣的列表感到不舒服。該調查涵蓋了963名美國Facebook使用者，年齡18歲及以上，調查時間為2018年9月4日至10月1日。

使用者可以影響或限制演算法嗎？

兩家公司都描述了面向使用者的控制。YouTube官方頁面指出，已登錄的使用者可以隨時暫停、編輯或刪除其搜索和觀看歷史，這直接影響推薦系統學習的內容。TikTok表示，點讚、關注、評論、標籤探索和明確的「不感興趣」點擊都會調整未來的推薦，此外還有使用者在首次設定帳戶時可以選擇的興趣類別。