□ 梁一帆

在流量思維以及流量池思維的影響下，眾多視頻傳播平臺不遺余力地探索如何借用老用戶源源不斷地挖掘新用戶。推薦實質(zhì)上是經(jīng)由系統(tǒng)挑選后的信息傳遞過程，它的整個運作流程涉及信息的生產(chǎn)者、篩選者以及用戶。而基于不同傳播平臺變化所引起的視頻推薦模式的迭代，歸根結(jié)底由兩方面的因素決定：一是技術(shù)的進步；二是用戶的需求。隨著技術(shù)的不斷進步以及用戶需求的不斷提高，視頻傳播平臺經(jīng)歷了以電視、視頻網(wǎng)站（綜合視頻平臺）及短視頻App為主導(dǎo)的嬗變，每一種新的平臺都是對以往平臺的繼承與發(fā)展。

一、個性化推薦在視頻傳播平臺中的應(yīng)用特點

在視頻傳播平臺不斷升級的進程中，個性化推薦經(jīng)歷了三個時代：一是主動訂閱時代；二是因需搜索時代；三是算法分發(fā)時代。對用戶而言，三種不同的推薦模式產(chǎn)生不同的效果，分別是：功能滿足、搜索滿足和興趣滿足。

（一）智能電視：視頻推薦模式1.0及推薦特點

電視機的發(fā)展經(jīng)歷了從黑白到彩色、從模擬到數(shù)字、從球面到平面的迭代。在技術(shù)的迭代下，得益于國家大力推動“三網(wǎng)融合”產(chǎn)業(yè)發(fā)展，電視也邁入了智能時代，升級成為家庭多媒體信息平臺。相比于普通電視，智能電視搭載了一套開放式操作系統(tǒng)，因而具備聯(lián)網(wǎng)功能。在此基礎(chǔ)上，在與用戶的交互程度上得到初步發(fā)展，進入“主動訂閱”時代，本研究將其稱為“視頻推薦模式1.0”。主要呈現(xiàn)的特征如下：

一是點播功能實現(xiàn)時移播放。在傳統(tǒng)電視機中，用戶通過接收廣播電視信號，選擇觀看不同頻道正在播放的電視節(jié)目。當電視具備互聯(lián)網(wǎng)功能后，在線視頻服務(wù)利用導(dǎo)航頁面，根據(jù)類別劃分不同模塊，將視頻資源庫中的大量內(nèi)容呈現(xiàn)給用戶，不僅豐富了視頻內(nèi)容，而且推出“點播”功能，使用戶能夠更加靈活地安排觀看時間。如果用戶錯過了某個頻道播放的節(jié)目內(nèi)容或者電視連續(xù)劇，也可以使用“回放”功能來彌補，實現(xiàn)時移播放。

二是搜索功能擴展交互方式。智能電視中，用戶可以在系統(tǒng)自帶的應(yīng)用市場中，根據(jù)需要安裝、升級、卸載各種各樣的應(yīng)用程序，使電視功能得到擴展。用戶下載安裝影視搜索類軟件，點擊進入，便可利用文本或者語音方式，搜索想看的視頻。在用戶進行主動搜索的過程中，智能電視會不斷推薦與之相似的視頻。

三是共享賬戶實現(xiàn)初級推薦。盡管智能電視憑借雙向機頂盒能夠?qū)τ^眾完成簡單的初級推薦，但此過程當中畫像的準確率和推薦的精確率，目前還處于低級階段。一個主要原因是：一臺電視往往由一家人共享。在這臺電視機的共享賬戶記錄中，留下了所有家庭成員觀看、點播、回放、搜索的記錄。因此，智能電視得到的用戶畫像，事實上是對一個家庭中所有成員的收視偏好的總的描述，并未具體到個人，相應(yīng)地，推薦結(jié)果也無法實現(xiàn)完全個性化的推薦，只能在電視功能得到擴展的基礎(chǔ)上，讓用戶體驗到初步的滿足。

（二）視頻網(wǎng)站：視頻推薦模式2.0及推薦特點

隨著Web2.0時代的到來，國內(nèi)外各大視頻網(wǎng)站（綜合視頻平臺）紛紛如雨后春筍般出現(xiàn)在網(wǎng)絡(luò)生活中。國際上，諸如YouTube、Hulu、Netflix等；在國內(nèi)，諸如愛奇藝、嗶哩嗶哩（以下簡稱B站）、騰訊視頻、搜狐視頻、優(yōu)酷、土豆、樂視視頻等，在近十幾年的探索和發(fā)展中，均經(jīng)歷了萌芽、發(fā)展、成熟、整合等發(fā)展歷程。

熱門影視劇推薦曾經(jīng)一度是大多數(shù)綜合視頻平臺慣常采用的視頻推薦方式，在此方式下，推薦的內(nèi)容不具有個性化，內(nèi)容整體上表現(xiàn)出千篇一律的特點。為了實現(xiàn)更優(yōu)的傳播效果、使廣告達到精準投放，視頻網(wǎng)站對用戶歷史搜索行為進行有效分析，挖掘用戶觀影偏好，在推薦過程中主要呈現(xiàn)的特征如下：

一是捕捉熱點信息，保證點擊率。視頻網(wǎng)站熱點信息推薦是一種常規(guī)的信息推薦方式。在推薦內(nèi)容和推薦形式上各有特色：在推薦內(nèi)容上，與新聞網(wǎng)站不同，視頻網(wǎng)站中的熱點信息主要指當前最熱門的視頻，如綜藝、熱播劇、娛樂新聞視頻等；在推薦形式上，電商網(wǎng)站通常利用其他網(wǎng)站的彈出窗口實現(xiàn)熱點信息推薦，而在視頻網(wǎng)站，一旦用戶打開網(wǎng)站首頁，最新的熱點視頻便會占據(jù)至少1/3的屏幕，在非常顯著的位置出現(xiàn)，或者是以“榜單推薦”的導(dǎo)航欄呈現(xiàn)。對于常見的PGC視頻網(wǎng)站而言，它們通常采用與節(jié)目制作公司簽訂合同的方式，獲取熱點視頻（綜藝、熱播劇等）的獨播權(quán)，以此滿足用戶搶先觀看的需求。在此種情況下，由于網(wǎng)站獲取獨播權(quán)的熱點視頻在前期已經(jīng)進行了充分的宣傳工作，因此，這些熱點視頻本身就是視頻網(wǎng)站點擊量的保證。而對于UGC視頻網(wǎng)站而言，那些獲得用戶瀏覽、評論、發(fā)彈幕、分享等操作量最高的作品，就是它的熱點視頻，于是互動性高的作品反而保證了用戶接受度以及熱點視頻的熱度。

二是挖掘用戶興趣，提供推薦依據(jù)。利用挖掘用戶興趣進行視頻推薦的方式來源于協(xié)同過濾算法推薦。在協(xié)同過濾算法中，主要包含兩種推薦方式：一種是以用戶為主體，另一種則以項目為主體。如表1所示，在視頻網(wǎng)站推薦過程中，以用戶為主體的推薦實質(zhì)上指基于用戶瀏覽行為（瀏覽、點擊、評論、發(fā)彈幕、收藏、下載、分享、快進、快退等）的推薦，對瀏覽行為的挖掘有助于建立用戶興趣模型。此外，興趣模型也會根據(jù)瀏覽行為、日志文件等進行實時更新。因此，對于用戶而言，系統(tǒng)推薦的視頻也是跟隨興趣模型數(shù)據(jù)不斷更新的。以項目為主體的推薦實質(zhì)上指基于用戶瀏覽內(nèi)容（視頻標題、類型、地區(qū)、語言、導(dǎo)演、演員、劇情等）的推薦。系統(tǒng)在對以上瀏覽內(nèi)容完成識別后，抓取關(guān)鍵詞并確定其權(quán)重，得到視頻信息的向量模型，進而得出視頻相似度。

表1 以用戶興趣為主的視頻推薦方式

不論是對于用戶瀏覽行為的跟蹤，還是對于用戶瀏覽內(nèi)容的解析，都是為了挖掘用戶興趣，構(gòu)建用戶興趣模型，以便將視頻網(wǎng)站中的內(nèi)容資源模塊與之進行匹配，進而形成推薦列表，產(chǎn)生個性化推薦結(jié)果。在視頻網(wǎng)站中，產(chǎn)生的個性化推薦結(jié)果通常通過單列“相似推薦”等模塊展現(xiàn)。不論是愛奇藝的“為您精選”模塊、優(yōu)酷的“為你推薦”模塊以及騰訊視頻的“相似推薦”模塊，當用戶在觀看完某一部視頻或者與網(wǎng)站產(chǎn)生其他交互行為后，視頻網(wǎng)站會推薦與該視頻相似的內(nèi)容，或者是推薦看過該視頻的其他用戶喜歡的其他視頻資源。

三是引進專題定制，實現(xiàn)資源整合。在視頻網(wǎng)站中，相比于熱點信息推薦和相似推薦等模式，專題定制模式更具有主動性和針對性。較早時期，基于專題定制的信息推薦模式曾廣泛用于圖書館建設(shè)、電子商務(wù)網(wǎng)站及期刊出版等領(lǐng)域。在當下疫情防控特殊時期，疫情專題信息使相關(guān)研究人員縮短了資料搜集和整理的過程，使其能夠快速獲得有用的信息，有效提升了相關(guān)工作人員的工作效率。

為了減少用戶手動搜索的煩瑣，以及避免搜索關(guān)鍵詞不夠精準等麻煩，專題定制的視頻推薦服務(wù)逐漸被各個視頻網(wǎng)站所采用。不同的視頻網(wǎng)站采用不同的專題定制視頻推薦形式，主要有自主訂閱形式、分區(qū)頻道形式、定期推送形式（表2）。

表2 視頻網(wǎng)站專題定制推薦形式

四是運用社會標引，發(fā)展圈層文化。在進行個性化推薦時，視頻網(wǎng)站對視頻資源進行人物、場景、語音、文字等方面的識別與歸類，便于視頻內(nèi)容搜索與推薦。但由于網(wǎng)站所謂的分類標簽不夠細化，而且視頻資源同時包含音頻、文字和圖片等素材，這無疑提高了對視頻資源檢索的難度，因此傳統(tǒng)的以網(wǎng)站為主體的主題標引推薦準確率往往不高。在此背景下，部分視頻網(wǎng)站和系統(tǒng)引入了社會標引，社會標引逐漸成熟。社會標引賦予用戶更多的權(quán)力，允許用戶自由使用詞匯完成自主標引，這一舉動有效促進了視頻網(wǎng)站上資源的整合與歸類。在國外，F(xiàn)lick較早引入社會標引方式；在國內(nèi)，截至目前，幾大主流視頻網(wǎng)站中，只有B站向用戶推出社會標引功能。

B站自2009年6月創(chuàng)建以來，用戶、標簽及資源間的相互促進，促使該平臺成為以青少年為主的社區(qū)。用戶本身具有較強的學(xué)習(xí)能力和模仿能力，他們可以用較短的時間將B站社區(qū)的語言文化諳熟于心，繼而把這類文化引入其中，使其成為一種獨特的標引范例。譬如，B站用戶在對視頻資源進行描述時，并非使用視頻網(wǎng)站提供的標準，而是選用更加有趣且吸引注意力的方式，如“燃到炸裂”“菜得摳腳”等。B站里充滿幽默風趣的標簽內(nèi)容主要涉及以下方面：內(nèi)容主題、作品評論、人物主體、涉及作品、系列名稱、相關(guān)責任者、作者評論、觀看指南及抽象形容等。各類視頻標簽內(nèi)容，相比文字標簽更具“娛樂性”。對于標引娛樂化現(xiàn)象，已有學(xué)者進行總結(jié)，娛樂標簽即用戶運用比傳統(tǒng)語言更能吸引注意力且采用更加有趣的語言描述資源的標簽?！八泄娫捳Z都逐漸以娛樂的方式呈現(xiàn)……電視和印刷術(shù)的思維方式是完全不一樣的……”。波茲曼直截了當?shù)卣f明：鉛字和視頻會使人產(chǎn)生不同的思維模式。

對于B站這樣一個有自己語言體系的社區(qū)來說，用戶憑借社區(qū)獨有的表達方式為觀看的視頻資源貼標簽，是文化認同的表現(xiàn)。無論是出于資源的組織與描述，還是表達意見的需要，B站中獨有的標引方式，在方便用戶表達情感反應(yīng)的同時極大提高了視頻資源的組織與推薦效率。

（三）短視頻：視頻推薦模式3.0及推薦特點

如果說，以智能電視和視頻網(wǎng)站為主的傳播平臺，不能較好地使用戶感受到推薦算法的優(yōu)勢，在以社交類短視頻軟件為主的傳播平臺中，用戶無疑深刻地感受到算法對其獲取內(nèi)容及分享內(nèi)容的影響。對于當今眾多的普通短視頻用戶而言，絕大多數(shù)用戶實質(zhì)上并不了解視頻推薦算法的技術(shù)邏輯，他們多數(shù)時候所進行的視頻內(nèi)容消費，都是在推薦系統(tǒng)作用下完成的。快手抖音視頻號推薦的短視頻內(nèi)容、今日頭條推送的小視頻、新浪微博彈出的各種視頻鏈接、愛奇藝優(yōu)酷等形成的影視劇推薦列表……無時無刻不在向用戶進行推薦。

從智能電視到視頻網(wǎng)站再到短視頻平臺，促使推薦算法不斷迭代和完善的原始動力就是提高推薦準確度?？梢哉f，推薦系統(tǒng)在運行過程中，一邊在“斷物”，一邊在“識人”。具體來說：第一，對于用戶而言，他們最大的滿意就是看到符合自身個性的內(nèi)容，對于所推薦的內(nèi)容，用戶會留下正向和負向兩種反饋，而這種反饋正是推薦系統(tǒng)借機揣摩用戶興趣偏好的依據(jù)，對于用戶的偏好越了解，后續(xù)向他推薦的內(nèi)容便越合他的胃口。第二，對于內(nèi)容而言，它的目的就是找到愿意看它的用戶，只是愿意看還不夠，最好是進行點贊、評論、收藏以及轉(zhuǎn)發(fā)等互動行為，這樣的傳播效果才是最理想的。

短視頻時代的推薦算法是視頻推薦發(fā)展變革的一個新階段，本研究將其稱為“視頻推薦模式3.0”。與電視時代和視頻網(wǎng)站的內(nèi)容推薦模式相比，我們能夠明確地感覺到，視頻推薦模式已經(jīng)進入了新時代。其推薦模式深深的展現(xiàn)出新技術(shù)烙印，與此同時，也將短視頻時代內(nèi)容產(chǎn)業(yè)發(fā)展的美好前景展現(xiàn)在人們眼前。

一是完善用戶畫像，優(yōu)化內(nèi)容策劃。在我們使用快手、抖音等不同的短視頻移動應(yīng)用及微信視頻號時，不少用戶會產(chǎn)生好奇，為什么有時候系統(tǒng)推薦的視頻內(nèi)容讓人忍不住觀看，而有時候又覺得系統(tǒng)一點兒也不夠智能，推薦的視頻內(nèi)容無聊至極，想要立刻關(guān)閉應(yīng)用甚至卸載。究其原因，實質(zhì)上是因為系統(tǒng)此時對用戶的畫像以及對自身平臺上的內(nèi)容的畫像不夠精準，這樣的后果便是用戶黏性差、產(chǎn)品被卸載率高，最終只能被市場淘汰。

因此，用戶偏好獲取是推薦過程中相當關(guān)鍵的一步。對此，短視頻推薦首要解決的問題是用戶畫像問題，只有明確視頻內(nèi)容是拍給哪類群體看，才能有針對性地進行創(chuàng)作。目前，對于眾多短視頻平臺的推薦算法而言，用戶畫像實則是將用戶信息實行多次組合排列。靜態(tài)畫像數(shù)據(jù)一般具有人口統(tǒng)計學(xué)特點，包含用戶的性別、年齡、學(xué)歷、職業(yè)、婚姻情況、興趣愛好、行為、使用機型等。以上數(shù)據(jù)通常較為穩(wěn)固，獲取的方式主要有兩種：一是請求直接填寫；二是調(diào)用其他平臺已有信息。動態(tài)畫像數(shù)據(jù)指用戶在與產(chǎn)品進行交互時產(chǎn)生的顯式或隱式行為。具體而言，顯式行為主要包含對短視頻作品的點贊等常規(guī)交互行為。隱式行為是指短視頻作品的完播率、是否快進、持續(xù)觀看時間、用戶跳出點等。在這里，動態(tài)數(shù)據(jù)主要取決于產(chǎn)品場景，每種行為都有各自的權(quán)重。通常情況下，隱式行為的權(quán)重低于顯式行為。不過在實際操作過程中，兩種行為具有互補性，以此協(xié)助系統(tǒng)實現(xiàn)推薦高精準率的目的。

對此，快手的做法值得行業(yè)內(nèi)其他產(chǎn)品借鑒，它在揣摩用戶的偏好基礎(chǔ)上，將不同的算法進行組合運用，以保證平臺內(nèi)容的完播率。具體而言，當新用戶點擊快手App后，這時候由于還沒有注冊登錄，系統(tǒng)還無法為用戶形成畫像。因此，只能通過在界面上隨機展示以及瀑布流等方式，吸引用戶盡可能多地與視頻內(nèi)容進行點贊、評論及轉(zhuǎn)發(fā)等互動內(nèi)容。一旦用戶與平臺產(chǎn)生交互行為，系統(tǒng)便會開始畫像，參與視頻內(nèi)容的后續(xù)推薦工作。在抖音App中，如果新用戶完成注冊并登錄，就由“同城”“關(guān)注”和“推薦”等幾種不同的組合推薦開始推薦工作，為用戶在不同場景下提供所需的視頻內(nèi)容。三者在同一界面的同時呈現(xiàn)，正是混合推薦的典型應(yīng)用例子，能夠避免某種單一推薦算法運行所帶來的局限，使推薦結(jié)果變得多樣化和公平化。此外，在進行登錄時，如果新用戶選擇利用微信賬號或者微博賬號等第三方平臺進行登錄，這種情況下推薦系統(tǒng)還會調(diào)用社會化過濾推薦系統(tǒng)，從而向用戶推薦他們在相關(guān)社交平臺上的好友瀏覽過、點贊過、轉(zhuǎn)發(fā)過以及評論過的短視頻內(nèi)容。

相比于抖音快手，騰訊在2020年初推出的微信視頻號是基于強關(guān)系的信息交流。得益于微信這個最大的私域流量池，視頻號的推薦模式由公域轉(zhuǎn)向私域，更強調(diào)關(guān)系屬性。因此，在推薦作品時熟人分發(fā)比例最高，對創(chuàng)作者而言利于建立社交閉環(huán)，加之與公眾號的良性聯(lián)動，微信視頻號擁有最多元的變現(xiàn)形式。綜上所述，完善用戶畫像，不論對于短視頻平臺還是短視頻創(chuàng)作者而言，都具有關(guān)鍵性作用。

二是匹配相關(guān)性，增強內(nèi)容垂直度。在短視頻推薦算法機制中，以相關(guān)性特征作為重要的參考環(huán)境特征，利用相關(guān)性特征，能夠檢驗內(nèi)容與用戶是否匹配。匹配方式根據(jù)主題、關(guān)鍵詞等的不同，采取不同的方式。依據(jù)2020年短視頻發(fā)展趨勢可得，各大短視頻平臺的網(wǎng)紅IP用戶、大IP用戶都具有垂直化傳播特征。之所以呈現(xiàn)這樣的傳播現(xiàn)象，是因為內(nèi)容的垂直度直接關(guān)乎內(nèi)容的匹配度。

在算法占領(lǐng)支配地位的短視頻平臺規(guī)則里，很明顯，擁有幾百萬甚至千萬級粉絲的創(chuàng)作者，都在持續(xù)創(chuàng)作并輸出同一領(lǐng)域的內(nèi)容。當下，不論是平臺還是創(chuàng)作者，都致力于增強內(nèi)容垂直度。平臺和創(chuàng)作者們堅信：每一個行業(yè)都有其特定的客戶群體，這類群體通常有非常精準且具體的需求。因此，只有專業(yè)的內(nèi)容才能滿足他們。

基于此，快手平臺目前將視頻內(nèi)容分屬于34個頻道：時尚、軍事、政法、家居家裝、美業(yè)、健康、婚慶、本地生活、主持人、教育、人文藝術(shù)、讀書、快手課堂、科普、三農(nóng)、美妝、寵物、健身、房產(chǎn)、快說車、情感、娛樂、廣場舞、舞蹈、體育、聊天室、小劇場、音樂、旅行、二次元、游戲TV、顏值、喜劇、品牌廣場。抖音官方平臺星圖顯示，其賬號分為25個一級類目，每個一級類目下面還有細分目錄。除了星圖平臺對賬號的分類，抖音第三方數(shù)據(jù)平臺飛瓜對賬號也進行了分類，相比過去，新增了知識資訊、辦公軟件、文學(xué)藝術(shù)等類別。B站直接把短視頻歸為七大頻道，分別是直播、推薦、熱門、影視、追番、新征程、共同抗疫，每個頻道下再進行一系列細分，共有32個分區(qū)。特別是“新征程”頻道，分為紅色展館、百年黨史、青春向黨、百年風華四個分區(qū)，便于用戶快速搜索自己感興趣的短視頻領(lǐng)域，實現(xiàn)垂直化分層傳播。

□ 示意圖：用戶偏好獲取是推薦過程中相當關(guān)鍵的一步

內(nèi)容垂直度涉及整個賬號生命周期內(nèi)創(chuàng)作的內(nèi)容類型、內(nèi)容生產(chǎn)方式、賬號營銷宣傳方式、賬號內(nèi)容可獲得的最大流量等多個方面，所以，創(chuàng)作者需要謹慎作出選擇。目前，母嬰類、教育類、歷史文化類、生活服務(wù)類、健康類等垂直領(lǐng)域的專業(yè)內(nèi)容，都正成長為下一波新的市場發(fā)展機會。對于原創(chuàng)的垂直領(lǐng)域的內(nèi)容，平臺算法會將其優(yōu)先推薦給訂閱粉絲，這類粉絲在觀看此類內(nèi)容時所產(chǎn)生的動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)，能夠極大影響接下來的推薦進程。

三是嵌入互動內(nèi)容，提供附加價值。通過嵌入更為豐富的互動內(nèi)容，短視頻時代的推薦算法，相比智能電視和視頻網(wǎng)站，賦予了用戶更多表達自我和選擇的權(quán)力。顯然人們獲得更多的機會在新媒體平臺上相對自由地表達自我，在整個自我表達的過程中，一方面促進了人們的群體歸屬感；另一方面，也有助于整個社會更好地維持穩(wěn)定與和諧。

據(jù)大數(shù)據(jù)公司QuestMobile 統(tǒng)計，截止到2018 年6月，微信作為移動社交的App，月活躍用戶規(guī)模已達9.3 億。微信公眾號作為其產(chǎn)品之一，數(shù)量超2000 萬，月活躍賬號350 萬，月活躍粉絲約8 億，其中95 后用戶數(shù)量達2.30 億。而與之形成對照的2018 年9 月3日～9 月9 日教育培訓(xùn)App 行業(yè)周新安裝用戶規(guī)模統(tǒng)計中，高等教育僅有34.4 萬，處于各分類最低。本文研究了基于微信公眾平臺在高等教育中的一門通識教育課程——《計算機基礎(chǔ)》教學(xué)中的應(yīng)用，總結(jié)出經(jīng)驗，探索適合高等教育移動學(xué)習(xí)發(fā)展之路。

在短視頻推薦算法運行機制中，點贊、完播率、評論、轉(zhuǎn)發(fā)這四種顯性指數(shù)是實現(xiàn)內(nèi)容被廣泛傳播的必要條件。相比于電視和視頻網(wǎng)站的點贊、評論、轉(zhuǎn)發(fā)，短視頻的完播率更能反映內(nèi)容能否將用戶吸引。在這里，新的推薦算法也為用戶賦予了更多附加價值，在一定程度上扮演了議程設(shè)置者的角色。用戶在短視頻平臺中進行互動時，推薦系統(tǒng)將其選擇行為轉(zhuǎn)化為完播率等相關(guān)行為數(shù)據(jù)。與此同時，對于部分垂直領(lǐng)域內(nèi)的專業(yè)知識，還可能產(chǎn)生內(nèi)容付費、打賞等一連串的花費路徑，這些行為向短視頻平臺及內(nèi)容創(chuàng)作者們提供更為稠密的反饋數(shù)據(jù)，進而影響隨后的推薦進程。

綜上所述，視頻推薦模式3.0時代也向當前推薦算法的研發(fā)與應(yīng)用能力提出了更高的要求。如果說，以智能電視和視頻網(wǎng)站為傳播平臺的視頻推薦還處于“前算法時代”，那么，以短視頻App為傳播平臺的視頻推薦顯然已正式進入“算法時代”。未來，視頻推薦模式的迭代將會持續(xù)深入，傳媒產(chǎn)業(yè)的經(jīng)營主體及相關(guān)行業(yè)的從業(yè)者，除了提升新技術(shù)研發(fā)與運用能力，更要思考如何從技術(shù)規(guī)制層面提出促進其良性發(fā)展的舉措，爭取在時代潮流中把握好當下內(nèi)容產(chǎn)業(yè)的發(fā)展方向。

二、個性化推薦在視頻傳播平臺中的優(yōu)化路徑

作為數(shù)字媒體時代的基礎(chǔ)技術(shù)，算法推薦有其雙面性。在短視頻推薦算法運行過程中，經(jīng)過用戶和技術(shù)的賦權(quán)后，個性化推薦算法擁有了打破舊局面的特殊權(quán)力，且萌發(fā)了并不“向善”的動機，分別在受眾層面、行業(yè)層面及社會層面引發(fā)了一系列新的媒介倫理失范現(xiàn)象。加之人們天生熱愛追求觀點的“同頻共振”，更愿意觀看想看的內(nèi)容，與觀點相似的人交流溝通，“信息繭房”的破繭之道已成為多學(xué)科關(guān)注的熱點問題。如今，更加智能的深度學(xué)習(xí)技術(shù)已經(jīng)代替?zhèn)鹘y(tǒng)推薦技術(shù)，被用于解決信息的分類和聚類問題，人、技術(shù)和社會信息結(jié)構(gòu)展現(xiàn)出了更加復(fù)雜的圖景。

針對個性化推薦系統(tǒng)對公共利益造成的種種隱患，應(yīng)綜合考慮，主要從個性化推薦算法的創(chuàng)設(shè)主體、運用主體和收受主體三方面展開討論。尋求技術(shù)的優(yōu)化路徑，進而探討視頻時代“算法+平臺”的推薦模式創(chuàng)新與開放性建構(gòu)。

（一）創(chuàng)設(shè)主體：增強自律管理，評估隱私泄露風險

推薦算法的創(chuàng)設(shè)主體即算法的創(chuàng)設(shè)者和擁有者。每一種算法技術(shù)背后，都深刻地體現(xiàn)著主體們的意志和利益，推薦算法技術(shù)在獲取大量用戶、追逐商業(yè)利益的過程中，盡管提供了非常誘人的好處，但也帶來了不容忽視的負效應(yīng)，即用戶數(shù)據(jù)的安全和隱私受到各種威脅。

推薦系統(tǒng)在追求精準推薦的過程中存在“過度收集”現(xiàn)象。多數(shù)移動短視頻應(yīng)用在安裝使用之前都必須同意其中的某些隱私條款，涉及GPS定位、調(diào)用攝像頭麥克風、允許記住密碼、獲取手機通訊錄、讀取SD卡、儲存權(quán)限等隱私的設(shè)置。諸如此類“隱私換便利”的現(xiàn)象恰恰為用戶隱私泄露制造了機會，也為垃圾廣告騷擾提供了數(shù)據(jù)支撐。

針對上述網(wǎng)絡(luò)空間治理的棘手問題，我國相關(guān)法律規(guī)定還處于滯后狀態(tài)。盡管我國早在2017年6月就實施《中華人民共和國網(wǎng)絡(luò)安全法》，但由于技術(shù)的快速發(fā)展，現(xiàn)有法律法規(guī)存在針對性不強、專業(yè)度不夠等現(xiàn)狀。

作為技術(shù)的提供者——推薦算法創(chuàng)設(shè)主體，增強自律管理，接受政府相關(guān)部門管理和社會監(jiān)督，是擺脫技術(shù)負效應(yīng)困境的重要一環(huán)。針對用戶隱私泄露問題，已有學(xué)者針對“隱私量化”進行了初步研究工作，但研究成果尚未得到推廣。因此，從技術(shù)角度對隱私泄露風險進行科學(xué)評估，消減公眾的被操縱感，未來應(yīng)該成為算法創(chuàng)設(shè)主體可操作的工作目標。

（二）運用主體：成立行業(yè)委員會

短視頻推薦算法運用主體即眾多短視頻社交媒體，對于蓬勃發(fā)展的短視頻社交媒體，平臺自律才能夠更好地引導(dǎo)短視頻傳播良性發(fā)展。在短視頻社交媒體行業(yè)，成立行業(yè)委員會，有助于幫助企業(yè)探討完善相關(guān)準則。

（三）收受主體：提升全面認知及信息管理能力

推薦算法技術(shù)的快速發(fā)展及其在短視頻領(lǐng)域內(nèi)的引入，使得視頻內(nèi)容產(chǎn)品在部分意義上是圍繞著推薦收受主體即短視頻用戶的偏好、興趣以及特質(zhì)而完成視頻內(nèi)容的傳播和推送的。長此以往，在這種深層次的隱秘的影響下，推薦算法能夠悄然對短視頻用戶主體身份實施改變。利用推薦算法，一方面視頻內(nèi)容收受主體能夠了解世界最新的動向；另一方面，也能夠找到處理與世界關(guān)系的更好方式，甚至也能在這個過程中，找到與自我對話的最優(yōu)方式。從這個角度出發(fā)，對于視頻內(nèi)容收受主體而言，推薦算法就發(fā)揮著積極的意義，使得其主體性得到較好的展現(xiàn)。

但從另一角度看，在爭取到主體性的同時，視頻內(nèi)容收受主體也有陷入主體性喪失的危機可能中，在以推薦算法為技術(shù)支撐的視頻內(nèi)容傳播實踐中，視頻內(nèi)容收受主體自主性的移交就會造成主體性喪失的可能。這種移交表面上看是對信息選擇權(quán)力的移交，實質(zhì)上是對認識世界能力的移交，但推薦算法為內(nèi)容收受主體呈現(xiàn)的世界并非是真實的。因此，作為推薦算法收受主體的用戶，應(yīng)當提升全面認知及信息管理能力。

三、結(jié)語

視頻時代個性化推薦的模式迭代，帶來人與機器權(quán)力結(jié)構(gòu)的不斷改變。人、技術(shù)和社會信息結(jié)構(gòu)展現(xiàn)出了更加復(fù)雜的圖景。毫無疑問，個性化推薦正在加速網(wǎng)絡(luò)空間中的“巴爾干化”，在技術(shù)與人這一對關(guān)系中，我們應(yīng)當時刻保持清醒，技術(shù)是工具，人是目的，是價值關(guān)懷的終點。恰如康德在其《實踐理性批判》中所說：“在全部造物中，人們所想要的和能夠支配的一切也都只能作為手段來運用，只有人及連同人在內(nèi)一切的有理性的造物才稱得上是自在的目的本身?！?/p>

[1]趙辰瑋,劉韜,都海虹.算法視域下抖音短視頻平臺視頻推薦模式研究[J].出版廣角,2019(18):76-78.

[2]郭小平，張小蕓.計算傳播學(xué)視角下短視頻的類型化推薦及優(yōu)化策略[J].電視研究，2018(12)：32-34.

[3]劉冰,魏均民,沈錫賓等.新型冠狀病毒肺炎疫情期間專題信息服務(wù)工作及引發(fā)的思考[J].編輯學(xué)報,2020,32(02):132-137+144.

[4]Darvish S,Chin A.Dealing with the video tidal wave:the relevance of expertise for video tagging[C]//Acm conference on hypertext &hypermedia.ACM,2010:289-290.

[5]楊玉宇,張鵬翼.視頻社會化標引與標引娛樂化研究——以嗶哩嗶哩彈幕網(wǎng)為例[J].圖書情報工作,2020,64(08):125-133.

[6]尼爾·波茲曼.娛樂至死[M].章艷譯.北京:中信出版社,2015.

[7]張玉潔,董政,孟祥武.個性化廣告推薦系統(tǒng)及其應(yīng)用研究[J].計算機學(xué)報,2021,44(03):531-563.

[8]張宴碩,董雪.算法推薦機制下的短視頻創(chuàng)作與傳播[J].新媒體研究,2020,6(18):117-119.

[9]吳鋒,宋帥華.井噴增長、場景多元、分層傳播:2020年短視頻行業(yè)發(fā)展特征及趨勢前瞻[J].編輯之友,2021(02):53-58.

[10]張佳.短視頻內(nèi)容算法[M].北京:人民郵電出版社,2020:136.

[11]劉友芝.知識付費平臺持續(xù)發(fā)展的現(xiàn)實瓶頸與創(chuàng)新突破[J].編輯之友,2018(11):22-27.

[12]吳鋒,楊曉萍.算法推薦背景下用戶媒介使用對“回音室”效應(yīng)的影響研究——兼論媒介素養(yǎng)的調(diào)節(jié)作用[J].西南民族大學(xué)學(xué)報(人文社會科學(xué)版),2022,43(05):142-146.

[13]陳昌鳳,仇筠茜.“信息繭房”在中國:望文生義的概念與算法的破繭求解[J].新聞與寫作,2020(01):58-63.

[14]匡文波,張一虹.論新聞推薦算法的管理[J].現(xiàn)代傳播(中國傳媒大學(xué)學(xué)報),2020,42(07):120-124+146.

[15]李明德,李巨星.智媒時代算法推薦的社會風險與協(xié)同治理[J].青年記者,2021(21):16-18.DOI:10.15997/j.cnki.qnjz.2021.21.018.

[16]張洪忠,斗維紅,張爾坤.圈層的背后:網(wǎng)絡(luò)信息傳播的“巴爾干化”分析[J].編輯之友,2022(05):49-53.

[17]康德.康德三大批判合集（下）[M].鄧曉芒譯.北京:人民出版社,2009:100.