算法视域下抖音短视频平台视频推荐模式研究

赵辰玮?刘韬?都海虹

【摘要】当前，抖音等短视频平台得到了快速发展，高校学生成为抖音短视频平台的主要受众。在近些年的新媒体研究中，算法一词逐渐成为高频词汇，通过算法进行的视频推荐模式成为高校用户获取信息的重要方式，在为用户提供海量视频资源的同时也加剧了“信息茧房”效应。文章主要对抖音不同的算法推荐原则进行了可视化的图示分析。

【关  键  词】抖音;算法;推荐

【作者单位】赵辰玮，河北大学团委;刘韬，保定学院信息工程学院;都海虹，河北大学新闻传播学院。

【基金项目】河北省高等学校人文社会科学研究项目教育科学规划项目（GH191010）。

【中图分类号】G206.2【文献标识码】A 【DOI】10.16491/j.cnki.cn45-1216/g2.2019.18.023

近年来，算法成为新闻传播学研究领域的“网红”，计算科学、情报科学、社会网络科学等自然科学研究方法和研究工具逐渐被引入新闻传播学领域，可将数据公式化和结构化的研究工具，使得原本在理论描述中的传播规律和效果评价真正得以通过量化和图示化的方式进行表达，一些原本模糊的关系和不曾发现的现象联系逐渐被揭示和认可，从而为新闻传播学领域的研究开拓了新的研究空间。

算法（Algorithm）是解题方案的准确而完整的描述，是一套相对完整的具有较强逻辑性的命令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，我们可以借助算法在特定规格输入的有限时间内获得所需要的输出。不同的算法可能用不同的时间、空间或效率来完成同样的任务。算法本身并没有优劣之分，更多的是用在解决问题时需要的空间复杂度与时间复杂度来衡量。算法大致分为基本算法、数据结构的算法、数论与代数算法、计算几何的算法、图论的算法等，随着计算机的发展，算法已被广泛开发并应用。优秀的算法不但节约了用户寻找优质内容的时间成本，同时也使得平台运营商对高校大学生用户基本情况有了大致的了解。例如，一些外卖平台在用户使用时就会就近推荐外卖商家或按照用户的使用习惯推荐其最感兴趣的菜品，这都是算法在移动社交领域中的应用。

抖音在短时间内迅速扩大市场，积累用户，其背后的智能算法团队可以说功不可没。抖音的算法大致有以下三种方式。

一、基于用户信息的基本协同过滤

基于用户信息的基本协同过滤是抖音整个算法体系中最基础和最简单的算法，也是在视频推广过程中普遍应用的算法。抖音通过获取用户注册时的基本信息，如性别、年龄、地址和基本兴趣点，对用户的画像有了大致的描绘。其后，在信息分发过程中，抖音通过考虑用户之间的相似程度进行相似内容的推荐。当用户开始接触平台，且所提供的信息越详细或越准确，其对用户需求的判断越接近用户的真实需要。我们可以构建如下推荐模式模型。

假如A、B、C、D的基本信息较为相似，则前期在A、B、C共同感兴趣的内容或产生点赞、评论、转发等使用行为的内容会较为优先推荐给D。比如，抖音的主界面分为同城和推荐两个模块，推荐模块一个重要的原则就是视频内容和用户兴趣的匹配程度。匹配程度越高的信息越能够被推荐。通常，在平台用户的初期使用阶段，此种获取方式最为主要，这种相对简单的算法推荐原则对于用户具体兴趣的判断是相对模糊的，更多的是相似特征人群的兴趣集合判断。可以说，不断扩大的用户数量和使用行为为这类基础算法提供了数据源，通过海量数据的收集与分析，这类算法的精准程度会不断提升。与快手等其他视频应用不同，抖音用户较为集中在城市，用户的学历和年龄差距相对较小，媒介素养也较为相似，而这也是这类基础算法较为适用的重要原因。

二、基于“去中心化”的精准推送

社交媒体最重要的原则就是“去中心化”，“把关人”的作用逐渐弱化，每个用户都是传播场域中的节点，每个节点都可以独立地生产内容，拥有一定的话语权，内容并非集中于少数的关键用户。在这種“去中心化”的精准推送中，内容和社交关系成为被抓取作为信息精准分发的主要依据。我们可以通过用户个人的视角构建如下信息获得模型。

这一类的精准算法可以分为两大类：一类是以内容兴趣点为筛选维度的推荐，这个维度下，现实社交环境中的联系较弱，甚至没有联系;另一类是以社交强联系为筛选维度的推荐，在通讯录中的好友、同学都会成为推荐所抓取的对象。重合部分往往会获得较多的推荐。

内容维度可以理解为以相同的职业、爱好、话题组成的相近兴趣的集合。如图2，纵向的椭圆为基于内容兴趣点的图示，每个方形蓝色的图案代表所感兴趣的视频。平台基于用户使用行为的习惯，诸如点赞、评论、转发等行为，通过数据驱动的方式挖掘用户的兴趣点，从而在下一轮的视频推荐中合理选择，进一步取悦用户，增加黏度。

但是，正是这种以兴趣为标准的推荐模式牺牲了用户多元化获得信息的“权利”，限制或影响了用户改变兴趣的想法，这种精准内容推荐的模式使得用户的接受内容过于一致化或单一化，会形成审美疲劳。同时，这一推荐模式也限制了用户获得视频的类型，用户只能局限于相对熟悉的领域，陷入固化的信息空间中，形成一个信息的孤岛，“信息茧房”效应不断叠加。“信息茧房”这一概念最早是由哈佛大学法学院教授凯斯·桑斯坦在其2006年出版的著作《信息乌托邦——众人如何生产知识》中提出的，主要是指信息个性化技术会使人们出现减少阅读多样化内容的趋势，由于个性定制化的推荐系统是根据用户已有的阅读偏好进行关键词匹配和再分配，基本不会推荐相似性较低或相关性较差的内容，用户的阅读内容会变得狭窄。通过对移动互联技术的长期观察，可以发现，在信息积极有效的扩散过程中，因公众自身的信息需求并非全面，公众会把更多的精力与实践投放在自己选择的内容和使自己获得满足感的领域，久而久之，会将自身桎梏于像蚕茧一般的“茧房”中。这类的算法推荐原则加剧了用户使用的“沉迷”程度，这也是为什么抖音用户会有“根本停不下来”的使用体验，相似的传播内容会使得用户的“回声室效应”不断增强。彭兰教授曾经提出，在社会化媒体中，人们以社交对象作为信息来源。他们在选择信息来源的同时，也就进行了信息的过滤。社会化媒体在一定程度上强化了人群的分化。人们因社交圈以及自身的立场态度的影响，常常会固守在符合自己偏好的信息与意见的圈子里，各种圈子之间相互隔绝甚至对立。相似内容的不断重复，会强化用户自身已有的观点与态度，会让用户觉得和自己持有相同观点或立场的人成为“多数”，从而沉迷于“拟态环境”。

社交关系维度可以理解为以现实的社交关系为连接的集合。如图2，横向的椭圆为基于社交关系的图示，每个蓝色的原点代表社交圈中用户生产和收看的视频。这类关系基于社交关系的联系程度从而变得更强。每个人的社交圈都随着移动互联技术的进步而不断扩大，但是，用户本身和现实社交中好友或同学的关注点相似性不高，所以，这个横向椭圆内关注点的数量比纵向多，但是颜色和大小（分别代表用户对信息本身的感兴趣程度和喜好程度）并不那么强烈和突出。正是基于这种算法推荐，用户在抖音的使用过程中通常会看到通讯录好友发布的内容，因为平台通过算法也优先推荐强关系的好友发布的内容。这反映出短视频平台重要的社交属性，通过自己拍摄视频在强关系中的展示，能够满足使用者的需要，增强认同感和满足被别人了解的社交需求。这也从一个侧面反映出网络社交正日益成为人们生活方式的重要组成部分，现实的人际关系从相对模糊的互联网投射转变为较为清晰的社交关系，互联网上的身份从“陌生”变为“熟悉”，社交关系从“匿名”向“实名”转变。移动互联社交已成为现代人类的新型交往方式，而这种全新的交往方式改变着人们的思维方式、行为方式与生活方式。

三、基于“流量池”的叠加推荐

与算法的研究日益成为热点类似，流量池也是近段时间以来频繁出现的热门词汇。此前，在新媒体研究领域里，流量思维是较为集中的研究热点，甚至有学者指出，“得流量者得天下”。流量池思维则是要获取流量并通过存储、运营和发掘等手段，进行信息的再传播，以期获得更多的流量。流量思维和流量池思维最大的区别就是流量获取之后的下一步社会行为，后者更强调如何用一批老用户找到更多新的用户，而流量思维更多的是首轮传播的效果评价。通常来讲，在内容流量池表现较好的视频内容往往会进入叠加推荐的行列，从而获得更多的阅读量和点赞。叠加推荐是以内容的综合权重做评估标准，综合权重的关键指标有完播率、点赞量、评论量、转发量，且每个元素所具有的影响权重又互不相同，当达到一定量级，平台就会以大数据算法和人工运营相结合的机制进行不断的推荐。比如，当用户发布一条视频时，平台会自动将其分配到一个流量池当中，分发到一定数量级的用户的推荐界面，然后通过统计该视频的播放效果，形成一个加权分数，转发量、评论量、点赞量的权重依次递减，分数越高则获得叠加推荐的机会越大，播放效果好的视频会再次加入流量池进行更大范围的分发，而表现较差的视频则失去了被推荐的机会，沉淀至流量池底部。第二次推荐又获得比较好的反馈则进入下一轮的推荐，从而获得更大规模的推荐。流量池推荐带来了更加明显的“马太效应”，优质的视频被反复推荐，获得更大的积累优势，而在第一波流量池推送中“逊色”的视频则失去了更大规模被推荐的机会。同时，由于这类算法更加基于多重用户受众的实际行为分析，所以经常会有大量级播放次数的视频出现。与前两个算法推荐相比，流量池推荐的视频随机性更强，其推荐的法则并非主要着眼于视频内容，而更多的是通过用户的反馈进行推荐。换言之，流量池推荐更注重视频传播效果的评价而非内容生产的优劣。这也使得一些内容并不那么优质的视频利用算法推荐的漏洞或不足，能够取得很高的评价分数，从而被大量级推荐，迅速“蹿红”。

四、建议与对策

依靠强大的算法推荐，抖音已经在目前短视频白热化的角逐中逐渐占据上风。但是，完全依靠协同过滤和精准分发的单纯算法推荐不能够充分适应目前快速发展的受众需求，平台需要进一步完善更多维度的算法推荐系统。采用更加多元和开放的算法，将会更加合理地促进优质视频内容的传播。因此，可以进一步加强对抖音用户使用行为的数据挖掘工作，引入满意度、有用性等其他考量维度，优化其产品内容评价体系分层分类，避免加剧“茧房效应”，适当调整兴趣内容与其他内容的分发比例;进一步提高平台的识别能力，对所谓的“网红”短视频内容加强甄别，提高原创视频的推广力度，加强对相似或较为雷同的视频进行过滤审核，避免“同质化”内容高频出现;积极引入或增加人工审核的机制，在审核过程中提高人工排查的参与程度，逐渐树立传播审核过程中“人”的参与意识;积极鼓励“PGC”的产品生产，对于具有优质视频生产能力的用户给予鼓励，通过身份认证、延长视频时限等方式给予支持，提升全平台的视频制作水平;始终坚持“内容为王”的运营和管理理念，依靠优质的平台内容增加用户黏度和吸引新用户，就一些具有明显“哗众取宠”和恶搞的内容，引入投诉和其他负面评价机制，进一步净化网络空间。

|参考文献|

[1]李玮，戴梦岚. 动画短视频：数据新闻的成熟可视化形式？——基于2016年“两会”报道中的动画短视频来谈[J]. 新闻界，2017（1）：64-69.

[2]戴德寶，顾晓慧. 用户参与行为、感知价值与忠诚度：基于移动短视频社交应用的分析[J]. 消费经济，2017（2）：58-65.

[3]韩存齐. 短视频的传播特性研究——探析自媒体时代短视频新闻发展趋势[J]. 湖北科技学院学报，2017（1）：100-102+109.

[4]王海燕. 抖音的算法推荐特点分析[J]. 新媒体研究，2018（20）：21-22+33.