本文主要是介绍抖音的算法,是如何把你束缚在信息茧房里的?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
(一)抖音为何让人如此上瘾?
许多人或许会有这样的体验:
在不同的场景下(在家、地铁、公司)、不同的时间点(早上、中午、晚上),即使是同类型的电影,实际上所接收到的内容也略有差别。
例如白天大多会收到比较幽默的内容,而到了晚上则会收到略带悬疑的影视剪辑片段等。
而无论是什么时候打开抖音,它都能让用户沉浸其中,似乎感觉不到时间的流逝,往往一下子能过去一两个小时。
你会发现抖音似乎很懂你,因为给你推送的内容全都是你喜欢看的。
抛开抖音的产品设计、沉浸式消费体验、短平快的内容节奏等,这其中还涉及到算法推荐机制和运营策略等因素。
而内容的个性化分发,本质上用一句大白话就可以解释:
让喜欢看妹子的用户,看到含有妹子的内容。
但在现实环境中,放眼互联网,能把这句话做好的公司其实没几个。
那么问题到底难在哪里呢?
(二)给内容打标,没有想的那么简单
给标签定义难,给内容打标也难。
在给一篇内容打上标签之前,首先需要做的是给标签做定义。
即讲清楚什么是苹果,什么是梨,而不是把苹果叫成梨。
一篇内容通常包括一级分类、二级分类、三级分类、标签等几个层次。
如动漫>日漫>火影忍者>鸣人等。
对于这些具有普遍性认知的分类跟标签来说,通常比较好下定义。
但是对于搞笑、美女这样的标签,则因人而异。
因为每个人的笑点不同、审美不同。
到底什么内容才算好笑、多好看才算美女?
萝卜青菜各有所爱,打标还没开始,就先卡在定义上面。
这里其实就涉及到两个概念——实体标签跟语义标签:
1.实体标签
广州就是广州、上海就是上海;马云就是马云,淘宝就是淘宝。
他们都是确定的实体,通常在不同人那里不会产生太大的歧义。
2.语义标签
如沙雕、美女、奇葩等词,并没有确定的指定对象。
在不同人那里会有不同的认知,因此打标难点通常出现在语义标签的定义上面。
语义标签的推荐效果是检验一个公司NLP(自然语言处理)技术水平的试金石。
不同公司根据其业务能力或需求的不同,对标签颗粒度的要求也不同。
比如有的公司拆分到火影忍者就不往下拆了,直接把这个词当作最小颗粒度的标签。
(三)用户标签:可能是最难搞的部分
1.用户口味就像个难哄的女朋友
比内容标签难度更大的便是用户标签。
因为火影忍者就是火影忍者,一旦打上这个内容标签,它就不会变成海贼王。
内容标签尚且可以通过人工打标+机器训练的方式进行。
用户不一样,可能这个月他喜欢看火影忍者,算法推荐机制也给他匹配了相关的内容。但是下个月他可能因为朋友或同事的推荐开始看海贼王了。
如果算法还没反应过来,继续给他推送火影忍者的相关内容,此时这些内容对他来说便是无效内容,从而影响了内容的分发效率。
好比胡萝卜一直是胡萝卜,但是用户的口味却一直在变化。
今天想喝汤,明天想吃肉。
这里其实涉及到“推荐窄化”的问题,算法机制越差的产品,其推荐的内容越容易出现窄化。
如不小心点击了几篇文章,算法便默认你喜欢这一类内容,此后便一直推送相关信息,无法做到根据用户的需求变化进行灵活更迭。
尽管在这个时代,无论使用哪一款内容产品,都不可避免的会出现“信息茧房”的现象,但成熟的NLP技术与初级之间,实际的产品体验效果仍是天差地别。
- 掌握用户的基本信息
在做用户标签之前,需要先掌握跟用户相关的信息,通常包括性别、年龄、地点、兴趣偏好等。
1)性别有助于分发性别属性较明显的内容:如给男生推送体育、给女生推送美容护肤;
2)年龄也同理:给年轻人推送动漫、游戏等内容,给老年人推送养生、健康信息等;
3)地点则用于推送与区域热点相关的信息:如给上海用户推送上海突发新闻,北京限行对于广州用户似乎没有多大影响。
以上三者通常可以通过用户自动填写、授权访问位置信息的方式获取,且不会有太大的变动。
3.掌握用户兴趣偏好
对于用户兴趣偏好,如上所说,则是做用户标签的难点所在。
获取用户兴趣偏好采用的方式,是根据用户消费过的内容匹配相应的标签,通常采取以下几种方式进行定位:
1)过滤噪声:如用户被标题党内容吸引进去,但是停留时间过段,则说明用户对该内容所绑定的标签不感兴趣,以此来过滤标题党;
2)热点降权:对一些社会热点、突发新闻(如某明星出轨),虽然短时间内用户浏览了相关信息,但并不能说明该用户一定对“娱乐”内容特别感兴趣,需要对该用户的“娱乐”兴趣偏好进行降权处理;
3)时间衰减:如上所说,用户的兴趣会发生偏移,因此推送策略需要更偏向于新的用户行为;
4)惩罚展现:如果一篇推荐给用户的文章没有被点击,则该内容的相关特征(如内容分类、标签)权重会被降低。
- 不同内容类型的推荐权重
我们都知道对于综合型平台而言,内容通常不止一种类型,如今日头条便包含了长图文、小视频、短视频、问答、微头条等几种不同形态的内容。
即使是同一个标签,如“美女”,不同内容类型的推荐权重是否一样?这也是算法推荐机制需要考虑的问题。
这篇关于抖音的算法,是如何把你束缚在信息茧房里的?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!