推薦引擎：未來(lái)互聯(lián)網(wǎng)的發(fā)動(dòng)機(jī)管理提醒: 本帖被 張橋剛 從 知識(shí)分享 移動(dòng)到本區(qū)(2011-01-22) 在群體交互的過(guò)程中，“內(nèi)容”在不斷地產(chǎn)生，比如瀏覽記錄、點(diǎn)評(píng)數(shù)據(jù)；但這些“內(nèi)容”的價(jià)值挖掘，才是最核心的東西
段永朝/文 登上《財(cái)富》雜志封面人物，歷來(lái)是商界精英成功的一個(gè)顯著標(biāo)志。 2010年11月，這期雜志的封面人物是50歲的里德•哈斯廷斯(Reed Hastings)。作為美國(guó)最著名的流媒體影視播放服務(wù)商N(yùn)etflix的創(chuàng)始人和CEO，哈斯廷斯的名字排在了福特CEO穆拉利、蘋(píng)果創(chuàng)始人喬布斯、Facebook創(chuàng)始人扎克伯格等50位業(yè)界叱咤風(fēng)云的精英之前——他被譽(yù)為“群星中的俊杰”。 對(duì)這家成立于1997年的老牌電影租賃服務(wù)商來(lái)說(shuō)，過(guò)去的10多年里，Netflix更多的是應(yīng)對(duì)“被擠出市場(chǎng)”的威脅，來(lái)自Blockbuster、沃爾瑪、蘋(píng)果公司或其他競(jìng)爭(zhēng)的一次又一次的嚴(yán)峻挑戰(zhàn)?！敦?cái)富》周刊的封面報(bào)道中說(shuō)，如狼似虎的對(duì)手們?cè)缇拖氚压雇⑺?#8220;趕出業(yè)界，讓他絞盡腦汁重起爐灶，或讓他提前退休，打發(fā)他回家消磨時(shí)光。” 無(wú)獨(dú)有偶，2010年12月11日，在《時(shí)代周刊》評(píng)選出iPhone十大流行應(yīng)用中，Netflix提供的即時(shí)影視播放服務(wù)Instant Netflix名列榜首。 能夠在超過(guò)30萬(wàn)種iPhone應(yīng)用中脫穎而出，拔得頭籌，Netflix所依賴(lài)的法寶，正是其歷經(jīng)10余載打造的“秘密武器”——協(xié)同過(guò)濾推薦系統(tǒng)。 截止2010年底，Netflix公司的年收入逾20億美元，注冊(cè)用戶(hù)已經(jīng)超過(guò)了1730萬(wàn)，付費(fèi)用戶(hù)則超過(guò)了500萬(wàn)。每天有400萬(wàn)部電影或電視節(jié)目，通過(guò)各類(lèi)終端，呈現(xiàn)在消費(fèi)者面前，并得到消費(fèi)者的點(diǎn)評(píng)推薦。迄今為止，Netflix已經(jīng)積累了30億條點(diǎn)評(píng)數(shù)據(jù)，這座巨大的數(shù)據(jù)“金礦”，配上自行研發(fā)的推薦引擎Cinemath，正成為Netflix公司穩(wěn)健財(cái)源的巨大引擎。 交互沒(méi)問(wèn)題，問(wèn)題是誰(shuí)跟誰(shuí)交互？ 2004年有兩個(gè)概念響徹互聯(lián)網(wǎng)界，一個(gè)是電子科技出版商Tim O’Reilly提出的Web2.0，另一個(gè)是《連線》雜志主編安德森提出的“長(zhǎng)尾理論”。Web2.0讓“交互”、UGC（用戶(hù)產(chǎn)生內(nèi)容，User Generation Content）成為互聯(lián)網(wǎng)掘金者津津樂(lè)道的“法門(mén)”；長(zhǎng)尾理論，則直觀地把“個(gè)性化消費(fèi)”詮釋得淋漓盡致。 越來(lái)越多的電子商務(wù)、娛樂(lè)、餐飲網(wǎng)站，迅即改變了他們聚集人氣、吸納眼球的方式，從不辭辛苦地“堆積材料”、“酷圖快評(píng)”，轉(zhuǎn)向了“讓消費(fèi)者做點(diǎn)什么”：“頂”和“踩”成了消費(fèi)者意見(jiàn)表達(dá)的標(biāo)準(zhǔn)動(dòng)作；熱門(mén)榜單，成了頁(yè)面邊欄的“標(biāo)準(zhǔn)配置”；關(guān)聯(lián)閱讀和鏈接，成為黏著眼球、延長(zhǎng)頁(yè)面駐留時(shí)間的經(jīng)常手段…… 不幸的是，在大大改善了網(wǎng)頁(yè)的瀏覽體驗(yàn)之后，絕大多數(shù)互聯(lián)網(wǎng)站的思路，被“吸引更多的眼球”所綁定，他們熱衷于競(jìng)價(jià)排名、SEO（搜索引擎優(yōu)化），熱衷于把“交互”的火力更多地引向網(wǎng)站自身，沉醉于點(diǎn)擊率、瀏覽量、駐留時(shí)間，甚至孜孜不倦地切分多個(gè)頁(yè)面、制造更炫的Flash動(dòng)畫(huà)、制造更多的插件并相互攻訐。 挖空心思堆積內(nèi)容資源、變著法兒吸引客戶(hù)眼球，卻難以獲得滿(mǎn)意的“營(yíng)業(yè)收入”，成為眾多網(wǎng)站的“心頭之痛與惑”，他們念叨著一個(gè)解不開(kāi)的魔咒“商業(yè)模式”——殊不知，這“模式”并非是可以構(gòu)造、設(shè)計(jì)出來(lái)，而是“涌現(xiàn)”出來(lái)的。 Netflix的推薦引擎，是一個(gè)絕好的范例。 讓你喜歡的電影“跳”出來(lái) Netflix公司早期是做DVD租賃生意的。1997年公司成立兩年后，他們才確立了這種看上去“其貌不揚(yáng)”的生意模式：用低廉的價(jià)格，為消費(fèi)者提供他所喜歡的電影DVD租賃服務(wù)。 做這種生意很容易想到的是兩點(diǎn)：一個(gè)是擁有巨大的片源；另一個(gè)就是擁有大量的潛在的消費(fèi)者。剩下的事情，完全可以歸之于標(biāo)準(zhǔn)版的MBA套路：制定價(jià)格、組建渠道、開(kāi)展促銷(xiāo)。 Netflix早期的做法也正是這么做的。不過(guò)，在日益暴漲的電影庫(kù)和消費(fèi)者數(shù)據(jù)的刺激下，他們?cè)谒伎家粋€(gè)根本性的問(wèn)題：如何讓消費(fèi)者喜歡的電影“跳”出來(lái)？ 信息過(guò)載的直接后果就是，直截了當(dāng)?shù)氐玫剿枰男畔?，變得異常困難（這一點(diǎn)正是Google公司存在的理由）。即便千辛萬(wàn)苦地對(duì)信息進(jìn)行分類(lèi)、聚合、歸檔，也無(wú)法抵擋數(shù)據(jù)洶涌而來(lái)的恐懼（早期的Yahoo就是這么干的）。 Netflix想到了“網(wǎng)民的力量”。 按照最樸素的看法，人們接觸電影、書(shū)籍、音樂(lè)的最佳途徑，其實(shí)是“聽(tīng)朋友推薦”。這個(gè)看法一點(diǎn)都不新奇，日常生活就是這樣。 不過(guò)，Netflix把它變成了“算法”，從此走上了正確的道路。 讓消費(fèi)者喜歡的電影，從海量的片庫(kù)中“跳”出來(lái)，取決于三個(gè)因素：第一是消費(fèi)者自身的口味和偏好；第二是某個(gè)電影的風(fēng)格、劇情、藝術(shù)性、導(dǎo)演和演員；第三是環(huán)境的影響，比如當(dāng)紅的明星、密友的推薦、圈子的品位等等。 這三個(gè)因素錯(cuò)綜復(fù)雜的關(guān)系，讓“推薦”這件事情，在網(wǎng)站的運(yùn)轉(zhuǎn)方式上變得微妙起來(lái)。 在電影網(wǎng)站上，一旦你打算看點(diǎn)什么的話，讓消費(fèi)者感覺(jué)最爽的體驗(yàn)是：網(wǎng)站的絕大部分信息，自然地按照你所關(guān)注的方式，為你把喜歡的影片展現(xiàn)無(wú)遺，不必大費(fèi)周折地東挑西選，你眼神所到之處，接觸到的信息不多不少，善解人意。 這種體驗(yàn)的獲得，需要轉(zhuǎn)變過(guò)去對(duì)“交互”的認(rèn)識(shí)。交互，并非是消費(fèi)者和網(wǎng)站之間“打交道”的過(guò)程（雖然這很重要），而是消費(fèi)者群體之間“打交道”、“相互浸潤(rùn)”的過(guò)程（這個(gè)的重要性更多體現(xiàn)在后臺(tái)）。 Netflix推薦引擎的核心，叫做“協(xié)同過(guò)濾（CF）”。這種算法把過(guò)去沉積下來(lái)成千上萬(wàn)的用戶(hù)點(diǎn)評(píng)數(shù)據(jù)，轉(zhuǎn)化為對(duì)每一位消費(fèi)者“口味偏好”、每一部電影“特征屬性”的記憶，通過(guò)“猜出你的心思”來(lái)為你匹配最佳的“推薦列表”。 “交互”這一過(guò)程，在不同年齡、不同區(qū)域、不同職業(yè)、不同愛(ài)好的人群中，自動(dòng)地“彌散”開(kāi)來(lái)，每一個(gè)獨(dú)立的個(gè)體之間鮮有直接“對(duì)話”的可能，但他們通過(guò)遺留在電影觀賞中的“足跡”，無(wú)形中透露出的彼此喜好的異同，讓電影下載和觀賞，并非在“寡居獨(dú)處”的情境下進(jìn)行，而是加了許多跨越虛擬時(shí)空的“神游和意會(huì)”的愉悅。 群體智慧的價(jià)值 “人是群居的動(dòng)物。”100年前英國(guó)昆蟲(chóng)學(xué)家William Morton Wheeler通過(guò)研究螞蟻發(fā)現(xiàn)，“群居的動(dòng)物”有一種奇特的天性，就是單獨(dú)的個(gè)體行為看上去弱智笨拙，整體的行為有時(shí)候也顯得雜亂無(wú)章，但在一定的尺度上看，螞蟻部落總是會(huì)顯示出“有秩序”的行為模式，比如覓食、遷徙、逃避攻擊。 這種大量個(gè)體集聚的場(chǎng)合下，單獨(dú)每個(gè)個(gè)體的能量其實(shí)十分有限，它們所采取的行動(dòng)策略也十分簡(jiǎn)單：往往是參照左鄰右舍，甚至有點(diǎn)“目光短淺”。 但令學(xué)者驚奇的是，集聚在一起的個(gè)體，彼此之間的“關(guān)聯(lián)”和簡(jiǎn)單的信息交換，讓他們的行為產(chǎn)生出高度的復(fù)雜性，決定了這個(gè)群體的整體結(jié)構(gòu)和演化的路徑。 這一點(diǎn)，是Netflix推薦算法的關(guān)鍵。 Netflix的Cinemath推薦算法，本身沒(méi)有什么“野心”，它并不試圖通過(guò)縝密的推理，直接為消費(fèi)者把他喜歡的電影“拎出來(lái)”；它只是不停地根據(jù)消費(fèi)者流露出的“蛛絲馬跡”，不動(dòng)聲色地推測(cè)他的“口味和偏好”，并做了一個(gè)簡(jiǎn)單的假設(shè)：“物以類(lèi)聚，人以群分”。 在群體交互的過(guò)程中，“內(nèi)容”在不斷地產(chǎn)生，比如瀏覽記錄、點(diǎn)評(píng)數(shù)據(jù)；但這些“內(nèi)容”的價(jià)值挖掘，才是最核心的東西。通過(guò)內(nèi)容（數(shù)據(jù)）挖掘，抽取出映照消費(fèi)者習(xí)性和物品屬性的關(guān)聯(lián)信息，抽取出群居的消費(fèi)者之間的關(guān)聯(lián)信息，這是營(yíng)造信息生態(tài)的關(guān)鍵。 所以說(shuō)，“基于用戶(hù)的推薦（UGR）”，將在未來(lái)的互聯(lián)網(wǎng)發(fā)展中，扮演極其重要的角色，這個(gè)角色就是打通“群體行為”與“自組織演化”之間的通道，實(shí)現(xiàn)某種“閉環(huán)”的群體進(jìn)化的良性循環(huán)?！?br> |
|
|
