科學馴養App不完全指南：我在300次推送中完成了20場角色扮演

Photoby freestocks.org on Unsplash，本文來自微信公衆號：全媒派（quanmeipai），原文標題：《當APP沉迷做個性化定製：我在300次推送中完成了20場角色扮演》。

在算法推薦大行其道的今天，比自己更瞭解你的，既不是你的朋友，也不是你的敵人，可能是你的App。

時不時地，我們總能被各種App對自己精準的尋找，嚇到。

淘寶、京東的商品推薦，總讓你懷疑自己莫不是被監聽監看，連知乎這樣的“清白之地”，似乎也在暗暗用力，不斷描摹刻畫你的用戶畫像。

被男朋友猜中心思是粉色的，被自己的App猜中總是有點情感複雜。被算法理解，雖然它能恰如其分地爲你送上一首歌、一篇文，但這樣的理解到底是存了一點孤單。

我們總是希望盡力過好豐富人生，把自己看成一個多面的棱鏡，百變而神祕。但是，這種程序化的算法，似乎簡簡單單就將你刻畫複製了出來。

從這個問題反推思考，我們是不是能借助不同的App完成一次自我探索的認識之旅？

算法何以瞭解你

既然想借助這些個看不見摸不着卻強大的幕後力量，上演一出“將計就計”的好戲，那就先跳上“神壇”看看吧。

推薦算法的產生，和人類信息環境的變化直接相關。從信息匱乏時代走向信息過載時代，每個人陡然發現在信息獲取上自己面臨着新的困境：龐大信息帶來的低效。而推薦算法恰是爲了解決這一問題。

憑藉個性化的推薦和對冗餘信息的有效降低，推薦算法在國內外得到了廣泛使用。從亞馬遜、YouTube、谷歌到今日頭條、網易雲音樂、淘寶京東，算法成爲一個近乎魔法的概念。

亞馬遜推薦算法的調整曾給賣家帶來不小的震盪

目前，內容推薦、協同過濾是十分主流的推薦算法。

基於內容的推薦算法（content-based）特別適用對文本內容的解析。將一則文本視爲一條item，通過不斷地抽取、細化，爲文本打上無數的標籤，形成taglist。當用戶在做個性化推薦時，可以將用戶最近操作過的item列出，用這些taglist模擬成一個用戶模型，再用倒搜索引擎爲用戶推薦候選結果。在國內，採取CB算法的最典型代表就是今日頭條。

基於內容的推薦算法可謂最爲“古老”

在頭條之後，新聞資訊App都採取了推薦算法。文本信息的處理特性，使得基於內容的推薦算法成爲主流。

協同過濾（collaborativefiltering）則是從集體智慧出發實現的一種推薦。比如通過對用戶喜歡的項目分析，發現用戶A和用戶B兩人十分相似，兩人都喜歡相同的內容，那麼就可以把用戶A喜歡而用戶B還未喜歡的項目C，嘗試着推薦給B。

另一種協同過濾則是基於item本身（item-based，CF）。這種推薦不需要找到和用戶A相似的B，而是完全基於用戶A的單獨行爲。itemA和itemB十分相似，而用戶A很喜歡itemA，那麼就可以把B嘗試推薦給用戶。網易雲音樂的後端算法主要是基於這兩種協同過濾算法。

餘弦相似性是常用的計算方法

此外，基於人工神經網絡的深度學習也是十分頻繁常見的推薦算法。

圖像識別是深度學習的典型應用

剔除那些細緻、龐大的計算方程和運算過程，推薦算法底層邏輯的說明也不過百字之內。哪怕聽起來不明覺厲的AI算法，也不過是更復雜的數學模型。

在神話已死的年代，科學卻成爲了最大的神話。

以算之道反算其身——科學馴養App不完全指南

在實踐中，這些App所遵循的個性化推薦系統要複雜得多。

從別的維度出發，以網易雲音樂、今日頭條爲例，又可以將其推薦算法切分爲官方推薦、UGC用戶推薦和熱門推薦（熱度加權）等。

當App面對一個新用戶，由於缺乏用戶行爲數據，精準個性化的推薦可謂是“巧婦難爲無米之炊”，這時對新用戶的推薦，會提供給他大部分人都喜歡的歌曲，這種類似於大盤數據的官方推薦，能讓你在初入時，不至於那麼無措；當用戶在App上持續進行搜索、收藏、喜歡、評論等行爲數據後，算法就能針對你個人和你喜歡的歌曲，衍生出龐大的推薦庫。

但是基於App個性化推薦的底層邏輯，我們依然可以藉助有意識的行爲方式，科學馴養App。

在新聞資訊類App上，主要的推薦原理就是依據用戶的閱讀行爲。越是經常點擊某類文章，越是容易被推薦相同類型。

資訊App中都設置了衆多的興趣主題，在進入這些App之時，用戶都需要完成一系列簡單的選擇。這種最初也最簡單的主動選擇，形成了衆多差異化的用戶組，藉助這種聚類方法，嶄新尚未被“揣摩”的我們，其實已經有了一副清淺的五官。

即刻上的興趣分類

但這樣的分類，往往太過粗淺，尤其在以性別作爲重要分類變量下，更是顯得性別固化。

新安裝即刻的用戶，在進入App主頁前，都需要完成兩道選擇題，先是性別選項，再是細化的興趣分類。如果你在第一步選擇自己是男性用戶，那麼在第二個興趣分類頁面，你將看到科技、遊戲、二次元、男士穿搭指南、軍事和汽車等興趣主題。

當你選擇女性角色後，這些主題變成了萌寵、綜藝、護膚、女性安全。

如果你是一個“非典型”女生用戶，愛好科技、喜愛戶外，想要在資訊類App上實現高效的信息獲取，你得不停的用時間和精力去和潛藏不可見的算法磨合。

我們每個人相似卻也不同。若想擁有一個能“懂你”的App，又豈能爭朝夕。

小王子把愛稱作馴養：“如果你馴養了我，我們就彼此需要，成爲彼此最特殊的存在”。

在衆多個性化推薦App中溜達過一圈後，曾經夢想仗劍走天涯，豪氣十分的馴養App似乎成了一個僞命題。因爲，當你完成這個雙向的遊戲後，你和你的App也就成爲了一種“彼此最爲特殊的存在”。

這何嘗不是一場互相調教的遊戲

角色扮演：一場看不清的遊戲

在網易雲上，首頁的歌單成了心情和狀態的寫照。你可以是在這樣焦灼的夏季裏，枕着一列勵志歌單奮鬥的考研黨，也可以是一個歌單充滿阿爾法波、自然醇音的失眠患者，是一個從BBC卷福配音版的《南太平》到喜愛各類紀錄片原音的英音愛好者……

這種角色扮演的遊戲，對人類而言有着歷史源遠的基因。不管是神話、小說、戲劇，還是在互聯網之後，我們擁有的衆多身份ID，追究下去，它們何嘗不是一種角色扮演。

曾經，我們扮演了些孤獨的角色，隱身在二進制世界，我們每個人都或多或少供養着些小號和另外的自我，扮演着微博小粉紅、中二少年和追星少女，而現在，我們似乎棋逢對手，與算法開始了場互相博弈的遊戲。

有時，這些推薦算法讓我們感到驚豔，那些未曾聽聞卻讓自己分外喜歡的推薦，似乎總能在恰當的天氣恰當的氣氛裏擊中你的柔軟。

這種推薦，也時不時地有些萌蠢。

甚至讓你感到害怕。

但是，當在這場遊戲中暫告一段落時，卻覺得算法雖難卻也簡單，自我簡單卻也複雜。在十幾款App，百餘次我選你猜的互動中，想起的是電影《撞車》裏的這句話“你還需要很多年，才知道自己是個什麼”。

在這場實驗開始前，我以爲自己會在最後迎來一個確定性的答案。但是，很遺憾。對於算法，對於個性化推薦，對於尋找樂趣、打造更“我”的App，似乎瞭解了更多，但態度卻更加複雜。

對於一個人文學科背景出身，對批判主義情有獨鍾的人而言，對於這樣的技術崇拜的確存在種近乎本能的警惕。但是，正如吉尼羅曼說的”我們將增強人類的智能，而非‘人工’的智能。”

我們不得不承認，一個假想的敵人，更能讓你認識自己。在與這些推薦算法“鬥智鬥勇”的同時，我們從另一個維度察覺着自我價值、自我熱情、自我的行爲模式……從這些App實驗中，出於各種目的，我努力挖掘了各類或理工或社科，或天真有邪或成熟穩妥的“我”，但我最後不得不承認，我的確是個膚淺的人，最愛名（yu）人（le）軼（ba）事（gua）、幽（gao）默（xiao）小（duan）品（zi）文，以寫文章爲名，不知泡在知乎看了多久的“如何評價XX明星”……面對這些痕跡，無法抗辯。