“信息茧房”一词，最早出现在凯斯·桑斯坦的《信息乌托邦》一书，是对博客时代“友情链接”功能带来观点单一的担心。在当下环境中，“信息茧房”已成为网络常用语，用于描述不同人群信息流不同、信息同质化等现象。不少人认为，内容平台在推荐算法加持下，只给用户推送他们喜欢看的内容和观点，因而导致用户处于“信息茧房”中。
事实并非如此。抖音的实践发现，只推荐单一内容会使用户很快厌倦，导致用户体验与活跃度下降，因此抖音也想打破“信息茧房”。如下图，抖音针对内容推送的多样性与用户活跃度的数据实验显示，虽然短期内效果不明显，但内容推送越多元，用户的长期活跃度越高。
内容推送越多元，平台长期用户活跃度越高
但要消除“信息茧房”也并不简单。从技术视角看，这实际是推荐的精准性和多样性如何平衡的问题：内容单一当然会陷入“信息茧房”，所以必须追求内容多样性；但多样性太强，推送用户喜爱内容的精准度就可能会变差，用户体验也会下降。
因此，算法的任务，可以归纳为基于用户感兴趣前提下的多元化。为此，抖音算法在多目标建模体系下，设置了专门的探索维度，通过多样性探索、兴趣探索等目标，引导算法打破“茧房”。具体举例，有如下两方面：
一是兴趣多样性覆盖，即对用户在平台上已经表现出的兴趣，尽可能推荐更多样的内容。具体方法有很多，比如：
- 多样性打散：同样兴趣点的内容不连续、密集出现。
- 多样性频控：系统会在推荐的每个环节，动态调整不同类型内容的出现比例。比如在初筛、排序等步骤里，既控制相似内容的数量，又确保每个环节传递到下一步的内容足够丰富。这样一来，最终呈现给用户的结果就不会扎堆重复，而是百花齐放。
- 多兴趣召回：对内容按兴趣方向归类，为用户召回多种兴趣类型的内容。
- 扶持小众（长尾）兴趣：这类内容在推荐中天然处于劣势，平台会利用模型聚类，对长尾兴趣做扶持和更多冷启动优化。
举个例子，在未进行多样性优化的情况下，用户连续看到的5个视频中，可能会有3个宠物猫和2个其他内容。在多样性优化后，5个视频中只会有一个宠物猫的视频，整体内容类型更加丰富。
多样性优化前后的信息流
二是帮助用户探索更多新兴趣。具体方法包括：
- 设置随机推荐，打破推荐模型训练集中的循环。抖音会随机推荐用户未表现出兴趣的内容，帮助用户做更多兴趣探索。从应用结果来看，每个用户看到的视频类目明显增加，多样性变好。
- 偶尔随机推送用户可能感兴趣的内容，帮助用户找相似兴趣。抖音对用户的兴趣表征进行随机扰动，帮助用户探索相关的兴趣。例如，如果用户喜欢音乐，随机扰动后，算法可能会为用户推荐美术、舞蹈等品类的视频。
- 基于用户社交关系进行兴趣拓展。在获得用户授权后，推荐系统会通过用户的“互相关注好友”推断用户的兴趣圈层，朋友喜欢的内容会成为用户的兴趣探索内容。同时，我们推出了好友推荐功能，用户可以对某条内容进行推荐，被推荐的内容会出现在该用户好友的推荐流中。
- 让用户的主动探索行为影响推荐系统。（1）搜索推荐联动，用户的搜索行为会影响推荐结果。（2）负反馈让兴趣不再展现：“不感兴趣”对算法是强烈的负反馈信号，抖音对负反馈有独立的打分模型，影响推荐各个漏斗的排序。同时，用户可以设置屏蔽词，相关内容不会在推荐中再展现。
推荐给朋友、不感兴趣、屏蔽关键词页面
评论 (0)