当前位置: 主页 > 外域人工 >串流时代的品味:错不在偏好的评分星级,而在我们自己 >

串流时代的品味:错不在偏好的评分星级,而在我们自己

2020-06-15 19:52:59 来源:外域人工 浏览:240次
错不在偏好的评分星级,而在我们自己——在网网相联时代的品味现在不是你说你喜欢什幺,而是看你做了什幺

某天晚上,我在浏览Netflix,看是不是有什幺东西可看,结果跳出来一部名叫《木马赢家》(The Rocking Horse Winner)的电影(「因为您喜欢看《惊魂记》、《安妮霍尔》、《血风暴》」)。我点选了它,发现是一部一九四九年的片子,改编自劳伦斯(D.H. Lawrence)的小说,讲一个男孩,只要骑在玩具马上,就能预测赛马的赢家。这个故事和这部电影我都没看过。

我在这件事所想的是,透过演算法来推荐,这套系统实在太厉害了:从历史的垃圾桶里,用一种看不到、超过我所能理解的方式,挑了一部没人知道的电影。是什幺东西把《木马赢家》跟伍迪艾伦的经典喜剧、希区考克的惊悚片和柯恩兄弟黑色幽默的西部片连在一起?我所做的评分动作是如何把这四部电影兜在一起?如果我喜欢希区考克,但是不喜欢《安妮霍尔》,这会给出其他的推荐电影吗?

林登(Greg Linden)曾协助亚马逊率先投入演算法的开发,他提醒我们,不要让电脑太有能力去找出一些古怪的建议,「电脑只是在进行人类做的分析而已。」但是,创造这些电脑的人也承认,数学的宰制会越来越精巧複杂,变成像是电影《二〇〇一太空漫游》里头的超级电脑一般的「黑盒子」,其行为不再能被决定或预测(这至少还是人类所独有的特性)。

Netflix的推荐偶尔会惹毛我——一部亚当山德勒主演的电影?你在搞笑哦?有这幺多影片可以看,这也就意味着要花更多的时间来决定要看什幺。于是,我已经慢慢可以接受,在一个常常感到困惑的时代,我已经没时间去看过期的法国杂誌《电影笔记》(Cahiers du Cinéma),或是去翻唱片行外头的特价花车了。我把一部分做决定和发现的过程交给电脑,或许也是有好处的。我们已经把记忆的误差交由Google来负责了。

但是有一段时间,我很认真地研究我的Netflix演算法。每一部看过的电影,我都给评分,然后研究我会得到什幺推荐电影。我希望事情稳定下来,能掌握我的品味的曲折面貌。我想知道,我喜欢《尸变》(The Evil Dead)并不表示我也喜欢其他的惊悚片。我想让它不只是知道我喜欢什幺,而是我为什幺喜欢它。我想要的超过它所给的。

所以当我到了加州的洛斯加托斯(Los Gatos)的Netflix总部时,我心里已经打了星星。Netflix总部在一栋红瓦屋顶的建筑里,风格一半像以前的好莱坞房子,一半像拉昆达旅馆(La Quinta Inn)。这是一种暧昧的着迷。我会花许多时间细想,得到二・九分的电影,是不是值得我看(二・九分和三・〇分之间有很大的差距)。一分的电影几乎不用列入考虑。我瞄到一部得到四・七分的电影,我感觉到一阵晕眩。

我知道不是只有我如此而已:这家公司的「最优化奖」提供了一百万美元,颁给能把预测準确率提升百分之十的电脑工程师。许多绝顶聪明的人投入许多时间,思考像是所谓《拿破仑炸药》(Napoleon Dynamite)这样的问题——或是要拿那些似乎会分化品味、较难预测的电影怎幺办。我想像在洛斯加托斯的这家公司是存放人类嗜好的巨大仓库,是一个慈眉善目的「史塔西」(昔日东德的国家安全机构),知道每个人会如何看电影。我很清楚,我想知道的事情涉及公司财产,他们是不会告诉我的:评分的演算法有多敏感?如果Netflix会给一部电影三・二分,而我给了二・七分,这个差异有多快会传遍我的评价系统?什幺电影的正负评价最为两极?

这是为什幺当我跟Netflix产品创新副总裁叶林(Todd Yellin)坐下来的时候,我会听到针刮过唱片的声音。我们坐在「捍卫战士室」(Top Gun)——Netflix的会议室都是以电影或电视节目来命名,「我在这里的首要工作是负责产品个人化。我带领同事研究如何进行评分、如何改善预测、要把它放在使用者介面的哪里。」到目前为止,一切都还不错。然后他说,「我们在这几年拓展个人化的範围,把评分预测的比重降低了。」

我让它进入思绪中。降低比重。或许我看起来有点垂头丧气。我敢说叶林察觉到我的失望。我来这里是为了了解全世界最複杂的一套预测人对电影的品味的机制,而他们却告诉我,品味——至少是透过评分而表现出来的品味——的比重逐渐下降。「在我们这里为电影和电视节目评分的人是全世界最多的,」叶林说。「而我们得到许多演算的方式来改善预测的正确度。」但他说那在大概二〇〇五、〇六年是最先进的。突然之间,我对评分的问题变得已经过时。Netflix花了这幺多时间心力,打造了这套以评分为基础的推荐系统,然后就抛下不做了?

并不见得。「我们还是觉得这是很有用的资讯,」叶林说。「但这已经是次要的了。」发生了两件事,让它变得没那幺有用。负责Netflix推荐系统的阿玛崔安(Xavier Amatriain)表示,第一件事就是,Netflix在预测品味的速度已经到了顶。「这就跟在运算法的世界里的很多事情一样,」他告诉我。「你花了百分之二十的时间,有了百分之九十的準确性,然后花了其他百分之八十的时间,设法改善那百分之十的準确度。」投入了那幺多,改善了最后的百分之十,增加了複杂度——推荐系统已经受累于「受限波兹曼机」(restricted Boltzmann machine)、「随机森林」(Random Forests)、「潜在狄利克雷分配算法」(Latent Dirichlet Allocations),是否值得这幺做,其实还很难说。

串流时代的品味:错不在偏好的评分星级,而在我们自己

还有别的事情也改变了。从Netflix奖成立之后,Netflix已经从一家只寄送DVD的公司变成主要提供影片串流服务的公司了。「当消费者想要给我们评价的时候,」阿玛崔安说,「他们想做的是表达一个思考过程。你在片单上加了一个东西;两天之后看了它。然后你表达了一个意见,你知道长远来看是会得到回馈的。」但即时的串流,「是很不同的一件事。你不喜欢它,没问题,你只要转到其他地方就好。转换的成本低得多。」

因为有了串流,Netflix得到的回馈或许明显减少,但却有更多隐而不显的行为。「我们可以得到即时的播放资料,」叶林说,「这比他们口头说自己想要什幺要来得更丰富。」Netflix知道更多关于你看什幺、如何看:你什幺时候在看,看什幺,你在哪里看,你在哪里停下来,你接下来看什幺,什幺东西你看了两次。你搜寻什幺——这又是一个品味的讯号。叶林对我说的时候充满热情。他略带神经质,话说个不停,脸庞瘦削,加上头髮不多,像是个什幺都知道的录影带店员(在还有这种店的年代)。但他这个录影带店员手握无上权限,能知道人们放了什幺录影带在机器里——还有哪一段倒带重看了。如果说这里有任何对隐私的侵犯,那就是你无法隐藏自己的喜好。

Netflix手中握有关于人喜欢什幺、讨厌什幺、对什幺按了讚、偏好是什幺的庞大资料,这种公司的出现提供了前所未有的机会,一窥那曾是难以理解的领域:判断的行程、偏好的表达、品味的机制。线上行为的範围极为广泛——被称为电子口碑(electronic word of mouth)——在此,抽象、「无法言说」的品味概念遇上了具有协同式过滤演算法的网际网路规範,无序蔓延的数据集,还有那无穷无尽的活动纪录。基本上,任何一个按讚的回应都是无用的。这都可归类为费斯曼(Ray Fisman)所说的「空口白话」问题。整体水平是透过数字,就可把杂讯过滤掉,脱离本体的部分可予以边缘化,并达成统计上的共识。

像是布迪厄(Pierre Bourdieu)这样的社会学家一直会碰到「自陈报告」的问题(他对品味的思索可能比其他人都来得深,我们后面还会谈到他)。问别人他喜欢什幺,这跟观察他做了什幺并不是同一回事。网路的美妙在于不管人说了什幺,你还可以看到他实际的行为。人类品味的几乎每一个面向(布迪厄对此会感兴趣),每天都记录在网路上,其数量是超过社会学家所能想像的。你喜欢什幺音乐?(Spotify,Pandora。)你理想的脸长什幺样子?(OkCupid,Match.com。)理想的摄影主题是什幺?(Flickr,Instagram。)

于是,Netflix曾经很依赖人们自陈他们喜欢什幺,现在则把焦点更放在人实际上看了什幺。「这有很多好处,」阿玛崔安表示。「其中一个是人们评分的方式:他们以热切的方式进行评分——他们会喜欢看什幺或是他们希望如何看。」就如Netflix负责产品创新的巫理柏(Carlos Gómez Uribe)告诉我,「有相当多人告诉我们,他们常看外国电影或纪录片。但是实际上这并不常发生。」

Netflix总是会察觉到人的期望与行为之间的不一致。举个例子来说,一张DVD在顾客的家里放了多久,这是可以追蹤的。叶林说,「我们注意到,高尔的《不愿面对的真相》(An Inconvenient Truth)会一直放在家里。用来垫杯子很好。」但是现在审视的层级更为即时、更发自内心:你停止放柏格曼的电影,改看《铁男躲避球》(Dodgeball)?这时候你就製造了一个资料点。

叶林指出,「人们想要自我感觉良好。他们甚至可以幻想出自我形象——他们说他们喜欢哪种东西、他们会给某一部电影几颗星、他们实际上看什幺电影。」你可能会给《卢安达旅馆》(Hotel Rwanda)五颗星,给《美国队长》(Captain American)两颗星,「但你可能更喜欢看《美国队长》。」

这并没什幺稀奇。从韦伯伦(ThorsteinVeblen)开始,经济学家就在谈论我们「品味」的炫耀「记号」(不论是否诚实)。它们通常会往上流动:人们不会给《美国队长》五颗星,给《卢安达旅馆》两颗星,然后偷偷看《卢安达旅馆》。社会学家高夫曼(Erving Goffman)有个很有名的看法,以「拟剧行为」来描述我们呈现自己的方式:「我们发现,向上流动牵涉到做出适当的表演,为了保有态度举止而做出牺牲,以求努力往上移动,不走下坡。」

我们都有这样的时候,想要表现出心目中理想的自己。「我其实是个很不一样的人,」剧作家何瓦特(Ödön von Horváth)如此写道,「我只是从来没有机会去当他。」我想到伍迪艾伦的电影《呆头鹅》(Play It Again, Sam)有一段,片中角色在约会之前,手忙脚乱地把咖啡桌上放满很有气质的书(「这些书如果你不读的话,不能就这样散在那里,」他的朋友跟他抱怨,他的回答是「这会给人一个印象」)。让人好奇的是,Netflix的资料是隐私;没有人会看到你选了什幺、对什幺有兴趣。就像叶林说的,在此所牵涉的拟剧论指向一个人的自我。

这又牵涉到一个人类学家崔佛斯(Robert Trivers)和心理学家席柏尔(William von Hippel)提出的有趣问题:「自我欺骗是演给谁看?」高夫曼说人经常不得不去维持标準,「因为人相信有个看不见的人在看,如果未达标準,将会受到惩罚。」于是就有了「有罪恶感的欢愉」(guilty pleasure)的罪恶了,这个话题我们在后面还会探讨。如果欺骗在演化上是个有用的策略,「在动物的沟通中是重要的」,那幺自我欺骗也变成「一个为了骗别人的防卫策略」。伍迪艾伦的剧中角色摆出这些书,让自己感觉舒服些,也有助于说服自己是读那种书的人,所以能帮他把约会搞定。

这并不意味着,当照见自我欺骗的时候会是让人愉快的。Netflix最常碰到的抱怨,就是「你们为什幺要推荐那些只有两、三颗星的电影给我?」换个说法,我不会喜欢的东西,你们为什幺要给我?但是Netflix并不是要把你变成影迷。它只是想让你继续看Netflix而已。这就像赌场经过精打细算,会设法让你在赌博机器旁流连忘返。它想推荐你会看的电影,Netflix称之为「契合」。巫理柏说,「当有人给《辛德勒名单》评分的时候,通常给分会很高——相对于我看的《扭转时光机》(Hot Tub Time Machine)这种傻里傻气的喜剧。」但如果你只给顾客四、五颗星的电影,「这不表示他们在辛苦工作了一整天的周三晚上会去看它。」

评分系统充满了偏见。一般会避免最高和最低的一级——这叫做「收缩偏见」——所以两颗、四颗星的评分比一颗、五颗星的要多得多。阿玛崔安指出,另一个统计的缺陷是,「我们知道评分的级距并不是线性的,一颗星跟两颗星之间的差距,不同于两颗星与三颗星之间的差距。」这中间平凡枯燥的地带是相当泥泞不堪的。此外还有「整数偏见」,人倾向于给出整数的分数。

相关书摘 ▶潘朵拉的品味盒:怎幺去喜欢我们不知道的东西?

书籍介绍

本文摘录自《品味选择题:隐藏在Netflix、Spotify播放列表、亚马逊评分中,推荐「你可能也喜欢」的思维演算祕密》,大块文化出版
*透过以上连结购书,《关键评论网》由此所得将全数捐赠儿福联盟。

作者:汤姆・范德比尔特(Tom Vanderbilt)
译者:吴家恆、赵盛慈

为什幺你喜欢这则脸书的贴文,却不喜欢另一则?为什幺你一听到那首歌,就果断在手机上点下收藏?为什幺一本书得了奖,但是在亚马逊的评价却下降?我们是怎幺学着喜欢我们讨厌的事物?为什幺竞赛中的裁判都会偏好最后出赛的参赛者?

自由意志靠不住,按讚偏好透露你是谁?
本书用「选择心理学+偏好经济学+人性行销学」,一一为你拆解
人们为什幺乐于时时上演自嗨、脑补的内心抉择小剧场

范德比尔特在书里揭露,连你自己也不知道、甚至没察觉,关于每个人最摸不透的主题:喜欢与不喜欢只有一念之隔,讨厌与不讨厌瞬间善变,为什幺我们喜欢我们喜欢的人事物,以及选择背后的机制,如何影响我们做什幺和我们是谁?从对食物盘根错节的品味,到陌生的艺术品,再到音乐排行榜和歌单背后的複杂因素,我们的偏好与意见广受无数的力量左右。网路媒体盛行的年代,按讚、给星的过程,更是无形中宰制了我们的选择。

品味已经移到线上——我们、还有许多公司企业拥有比以前更多的方式,能够看到我们消费了什幺、如何消费。如果你曾对Netflix如何推荐电影感到好奇,想过如何找出捏造的Yelp评论,或是想不透很多书得了大奖,为何在亚马逊的评分却反而下降,这些问题,作者都解释了,甚至,他还解释了许多你可能压根都没想过的问题。

人世间的好恶都是偏好作祟,范德比尔特怀着极大的好奇心,发现一条直达潜意识的祕密通道,揭开品味的神秘面纱,博引心理学、行销学、社会学与神经科学,试图定位品味的空间座标,回答无数複杂而引人入胜的问题。本书研究深入,观点独到,也是一趟趣味盎然的知性之旅,让我们更了解如何认识、判断、评价周遭的世界,捕捉善变的品味偏好之来由。

串流时代的品味:错不在偏好的评分星级,而在我们自己
上一篇:
下一篇:
相关资讯