作者：江銘欣

　　今年七月，起點(diǎn)中文網(wǎng)進(jìn)行了建站以來最大的新書推薦算法改革，免費(fèi)期新書從固定推薦位的四輪“PK模式”改為個(gè)性化推薦展示的“流量包模式”。這一改革在作者中引起極大反響和廣泛討論，由此也引出一系列關(guān)鍵卻缺乏討論的問題：什么是網(wǎng)文的推薦算法？推薦模式的變化為何如此重要？PK模式是什么？流量包模式又是什么？

　　推薦算法在網(wǎng)文中的應(yīng)用，實(shí)現(xiàn)了海量內(nèi)容與讀者的精準(zhǔn)連接，也有效解決了長尾網(wǎng)文的分發(fā)與供給。免費(fèi)平臺番茄小說如今日活躍用戶近億，遠(yuǎn)超付費(fèi)閱讀平臺，根本就在于以推薦算法為核心內(nèi)容的分發(fā)模式。因此，原以編輯、運(yùn)營為主導(dǎo)的，以分發(fā)精選為內(nèi)容組織邏輯的老牌網(wǎng)文平臺，也紛紛推出個(gè)性化推薦功能。

　　與短視頻等平臺的內(nèi)容推薦系統(tǒng)一樣，網(wǎng)文平臺的推薦系統(tǒng)也主要由數(shù)據(jù)層、算法層和工程層組成。數(shù)據(jù)層主要分析用戶、網(wǎng)文以及用戶與網(wǎng)文的交互數(shù)據(jù)和特征，如用戶性別、網(wǎng)文類型、閱讀時(shí)長等數(shù)據(jù)。算法層負(fù)責(zé)從數(shù)據(jù)中挖掘規(guī)律，生成推薦結(jié)果。網(wǎng)文平臺使用較多的兩種推薦算法是基于內(nèi)容的推薦和協(xié)同過濾?；趦?nèi)容的推薦依賴對網(wǎng)文本身特征的分析，通過賦予內(nèi)容的類型與標(biāo)簽，結(jié)合讀者的偏好信息，推薦與讀者興趣相近的網(wǎng)文。例如，歷史數(shù)據(jù)發(fā)現(xiàn)讀者喜歡看規(guī)則怪談?lì)愋偷木W(wǎng)文，算法就將更多和規(guī)則怪談相關(guān)的網(wǎng)文推薦給讀者。協(xié)同過濾推薦算法則不解析內(nèi)容本身，主要依賴讀者與網(wǎng)文的交互數(shù)據(jù)，可分為基于讀者的和基于網(wǎng)文的?；谧x者的協(xié)同過濾是找到和讀者A相似的讀者B，給讀者A推薦讀者B看過但是讀者A沒看過的網(wǎng)文?；诰W(wǎng)文的協(xié)同過濾則是找到觀看兩個(gè)不同網(wǎng)文的用戶群體，通過分析兩個(gè)讀者群體的重合度，推算兩篇網(wǎng)文的相似度，相似度高則進(jìn)行合并推薦。一般推薦系統(tǒng)都會混合以上的算法，根據(jù)用戶操作行為選擇不同的推薦策略，無操作時(shí)用熱門默認(rèn)推薦，少量操作時(shí)用基于內(nèi)容的推薦，交互足夠多時(shí)用協(xié)同過濾推薦。工程層則是對上述數(shù)據(jù)和推薦的處理、排序、評估與優(yōu)化。

　　目前主流網(wǎng)文平臺所采用的推薦系統(tǒng)多以“top-N預(yù)測任務(wù)”為核心，以“點(diǎn)擊預(yù)測任務(wù)”為輔助來實(shí)現(xiàn)海量作品的個(gè)性化推薦。即結(jié)合用戶的閱讀時(shí)長、留存率等指標(biāo)預(yù)測用戶點(diǎn)擊某本小說的概率，根據(jù)推算出的推薦分為用戶提供排序好的個(gè)性化內(nèi)容列表。網(wǎng)文上傳或更新后，會根據(jù)其不同特征進(jìn)入不同的內(nèi)容候選池，當(dāng)用戶訪問推薦feed(即推薦信息流，如番茄小說的首頁推薦和起點(diǎn)中文網(wǎng)的猜你喜歡)時(shí)，服務(wù)端就會請求推薦，系統(tǒng)便會根據(jù)用戶特征從候選池中召回用戶可能感興趣的網(wǎng)文。經(jīng)過粗排、精排出的小量級網(wǎng)文，會根據(jù)算法模型的預(yù)估推薦分來排序，有時(shí)也會加上廣告或平臺力推的內(nèi)容，在混排后展示為用戶瀏覽頁面的推薦feed，由此完成一次推薦。一般來說，猜你喜歡等個(gè)性化推薦feed無數(shù)量限制，一直刷就一直新。但榜單類推薦資源位的展示數(shù)有限，排序只能選取top-N。起點(diǎn)中文網(wǎng)此前的新書推薦位PK模式，即由4輪PK以競爭推薦位(一輪“潛力新書”、二輪“新書精選”、三輪“本周強(qiáng)推”、四輪“小編力薦”)，新書需要輪輪晉級才能獲得更多推薦。起點(diǎn)以外的付費(fèi)平臺雖未明確標(biāo)注其推薦為PK模式，但大致原理相同，面對有限的資源位只能曝光推薦分排序前列的作品。

　　不難發(fā)現(xiàn)，無論是以上哪種推薦算法，都需建立在一定數(shù)據(jù)上才能進(jìn)行推薦。新讀者、新網(wǎng)文或新類型會因缺乏歷史行為數(shù)據(jù)，無法準(zhǔn)確啟動個(gè)性化推薦的情況。這就是推薦算法中常說的冷啟動問題，主要分為讀者冷啟動和內(nèi)容冷啟動。在讀者冷啟動階段，網(wǎng)文平臺會主動邀請新注冊讀者或一段時(shí)間未使用的讀者提供反饋，包括性別、年齡、地理位置、愛好等信息，以建立讀者興趣畫像。部分平臺也可通過用戶的登錄賬號，如手機(jī)號碼、抖音賬號等，獲得用戶在其他平臺的行為數(shù)據(jù)。此外，通過用戶的登錄設(shè)備、時(shí)間、地址IP也可獲得部分用戶信息和場景偏好。新注冊讀者登錄網(wǎng)文平臺后，大部分平臺會使用混合推薦算法，先是提供大眾化、熱門、高分的網(wǎng)文內(nèi)容兜底，再根據(jù)讀者的初啟行為(如停留、點(diǎn)擊、閱讀)數(shù)據(jù)，用基于內(nèi)容的推薦算法給讀者推薦他過往觀看過的、相似的內(nèi)容。等用戶的基礎(chǔ)屬性較為完善，有更多的交互數(shù)據(jù)后，配合協(xié)同過濾算法為讀者提供更多元的網(wǎng)文內(nèi)容。例如，新用戶登錄番茄小說平臺，填寫用戶名和性別為女，首頁推薦就會出現(xiàn)較多現(xiàn)代言情女頻網(wǎng)文熱門大眾類型文以及《十日終焉》等番茄小說獨(dú)家高分文，不同類型的網(wǎng)文也會適度曝光讓讀者選擇。如果用戶點(diǎn)擊霸道總裁文，無論閱讀時(shí)長多長，番茄平臺都會在下一次推薦feed刷新后推薦更多現(xiàn)代言情文和霸道總裁文。后續(xù)也會根據(jù)讀者相似度和網(wǎng)文相似度，對海量網(wǎng)文進(jìn)行協(xié)同過濾算法推薦，為讀者推薦更多新鮮且可能感興趣的網(wǎng)文。

　　這次起點(diǎn)中文網(wǎng)的改革主要針對網(wǎng)文新書的冷啟動。從推薦算法角度來說，盡管內(nèi)容本身有一些關(guān)鍵詞標(biāo)簽特征，但由于新書沒有用戶表達(dá)過行為，推薦系統(tǒng)無法判斷網(wǎng)文的好壞，也不知道將在候選池中的新書推薦給誰，且新書的自然推薦分排序由于偏后也難以曝光。而得不到用戶交互數(shù)據(jù)，就容易導(dǎo)致惡性循環(huán)，破壞作者體驗(yàn)的同時(shí)影響新書內(nèi)容庫的增量。因此，大部分網(wǎng)文平臺都是強(qiáng)制推薦系統(tǒng)給新網(wǎng)文一定的流量曝光，等有了用戶針對這篇網(wǎng)文本身的用戶行為，推薦系統(tǒng)再更有針對性地推薦這篇網(wǎng)文。這種流量曝光就是流量包，邏輯即推薦系統(tǒng)中常說的boost。它指的是在推薦分上增加或減少一個(gè)數(shù)，多由運(yùn)營和編輯在推薦系統(tǒng)中非自然操作，對于新作、冷門作品和優(yōu)質(zhì)作品會進(jìn)行boost增分，從而提高推薦量，對于低質(zhì)作品也會deboost減分。一般來說，推薦系統(tǒng)已經(jīng)在最優(yōu)用戶體驗(yàn)?zāi)繕?biāo)上給到每部作品恰當(dāng)?shù)耐扑]量，只有在出于冷啟動和作者生態(tài)角度等業(yè)務(wù)需求時(shí)會適當(dāng)boost運(yùn)營。由于新書的前期曝光沒有比較精準(zhǔn)的個(gè)性化推薦，boost實(shí)際上是在損失用戶體驗(yàn)的基礎(chǔ)上做推薦，因此新書的曝光周期和總體流量也會被控制在一定額度。

　　在資源位和曝光值固定的前提下，起點(diǎn)中文網(wǎng)做了兩種新書推薦機(jī)制的嘗試。原有的四輪PK模式，會保證新書最少有一輪推薦，即曝光在起點(diǎn)客戶端的“潛力新書”中，一輪最長曝光周期為七天，晉級第二輪后會推薦曝光在“新書精選”與“同類作品推薦”，如二輪PK失敗則基本再沒有曝光可能，除非聯(lián)系編輯復(fù)活上推。晉級第三輪后曝光在“本周強(qiáng)推”，第四輪晉級則曝光在新書推薦中位置最好、流量最大的“小編力薦”。這種模式讓不同等級的上推會獲得不同程度的曝光，PK晉級多的作品可獲得多次曝光和更優(yōu)的推薦位，PK晉級少的作品則可能一輪游，由于無推薦而苦苦堅(jiān)持創(chuàng)作或快速切書。新的流量包模式則是不固定推薦位，為更多新書提供了長周期的候選推薦和更多資源位曝光可能。如新書入庫作品首次亮相后，會提供試水期和培育期流量推薦。新書在七天試水期中均勻獲得流量扶持，再根據(jù)作品表現(xiàn)獲得不同檔的流量包boost。優(yōu)秀作品會獲得更高檔次的放量流量包boost，表現(xiàn)欠佳的新書也不會被雪藏，也能在培育期獲得持續(xù)21至42天的扶持流量包，讓推薦系統(tǒng)和新書新人有更多試錯(cuò)和調(diào)整的可能，也避免作者過度追求前期流量而損害后期發(fā)展。

　　目前各內(nèi)容行業(yè)推薦系統(tǒng)的推薦原理、算法、流程都大概一致，只是由于商業(yè)模式的不同，番茄小說等免費(fèi)平臺對人工智能推薦有相對充分的放權(quán)，起點(diǎn)中文網(wǎng)和晉江文學(xué)城等付費(fèi)平臺則有更多的編輯人工參與?？傮w而言，起點(diǎn)中文網(wǎng)這次新書推薦算法改革，表面上是將PK模式變?yōu)榱髁堪Ｊ?，?shí)質(zhì)則在于對新書培育周期的拉長以及不限資源位向人工智能個(gè)性化推薦的讓權(quán)，旨在推動作者和作品更加注重長期效益而非短期利益。

　　(作者系中山大學(xué)中國現(xiàn)當(dāng)代文學(xué)碩士研究生)