内容分发的个性化
一、千人千面：信息内容的智能分发
在大众媒体时代，内容的制作和发布是通过媒体机构完成的，信息素材由人工编辑处理后，再由媒体自有的发行或播出渠道进行发布。因此，传统的内容分发往往更多地关注内容本身，而不是用户的个性化需求。然而，当我们迈入移动互联网时代，信息超载、多样选择、碎片化的时间等现象扑面而来，这就决定了用户在短时间内如果不能找到感兴趣的内容就会很快离开，内容本身已不再是影响传播的最关键因素，用户成为理所当然的核心。为了增强用户黏性，扩大用户数量，准确洞察受众兴趣、匹配用户习惯的个性化内容发布成为各媒体竞相努力的方向，智能算法推荐应运而生。
所谓智能算法推荐，就是在合适的时机把合适的内容推给合适的人，也就是要利用算法向用户快速、精准地推荐其感兴趣的内容，同时发现更多优质的长尾内容，实现针对个体的个性化分发。这一技术的重要意义在于，将此前基于人工的“人找信息”转变成基于算法的“信息找人”，既极大解放了人力，又高效地完成了人和信息的匹配，实现了信息分发的千人千面。咨询公司Monetate发现，个性化的价值随着每次体验而增加。换句话说，用户看到的个性化内容越多，他们的参与度就越高。Monetate发现，观看了三页个性化内容的用户是普通用户转化率的两倍。也就是用户的参与度与他们看到的个性化内容数量成正比。
智能算法推荐大致可以分为两大类：基于内容的智能推荐、基于协同过滤的智能推荐。基于内容的智能推荐是一种最传统的智能推荐算法，也就是根据用户历史喜欢的内容为其推荐相似的内容。比如，你曾经浏览过篮球比赛的内容，那么算法就会在此推荐给你与篮球赛事相关的其他内容。这种算法虽然可以推荐用户历史感兴趣的内容，但却难以挖掘用户的潜在喜好。基于协同过滤的智能推荐又可以细化为基于内容的协同过滤和基于用户的协同过滤。基于内容的协同过滤主要考虑内容之间的相似度，将与用户喜好内容相似度高的内容推荐给用户；基于用户的协同过滤则主要考虑用户之间的相似度，将相似用户喜欢的内容进行相互推荐。这种算法能够有效使用其他相似用户的反馈信息，加快个性化学习的速度，同时可以发现用户潜在的但自己尚未发现的兴趣偏好。此外，还有一些方法通过加权、串联和混杂等来集成上述算法。与传统的人工推荐相比，智能算法推荐效率更高，个性化程度也实现了质的提升，真正解决了信息分发千人千面的问题。
二、内容智能分发的应用
智能算法推荐的逻辑，就是利用人工智能技术，将包括图文、视像、音频甚至是直播、问答等不同形式的内容，通过算法推荐系统对用户的特定需求进行精准匹配并推荐，从而真正实现以用户需要为核心的智能分发。其中，用户画像、内容画像和分发模式是智能算法推荐得以实现的三个重要因素。
用户画像是根据用户的基本属性、兴趣偏好、生活习惯、内容消费行为等信息抽象出来的标签化用户模型，是建立在大量数据基础之上的人物角色（personas），侧重于探索的是用户想要做什么，即用户动机是什么。生活环境、智能设备环境、用户信息和用户内容消费行为等是生成用户画像的主要考量因素，也就是说，用户画像是了解用户特征与特定需求的基本入口，高精度的用户画像可以为个性化内容的精准匹配提供必要的支撑。
内容画像是对内容本身的分析，其实在大众媒体时代，编辑就对内容进行了画像，比如要区分消息、特稿、评论、典型报道、综合报道等类型的内容。只不过在智能媒体环境下，我们对于内容的画像更加复杂，它不再单指类型或题材，更指向内容中的具体信息以及内容的质量。这对机器算法是一种考验，毕竟人工编辑可以从选题、采访、写作等方面去衡量内容的质量，但机器算法只能依靠数据，例如点击、分享、收藏、用户停留时长等进行判断，这种衡量尺度难免会出现误差。[11]
分发方式，即实现用户画像和内容画像相匹配的过程，可以保证用户在最短的时间内接收到最感兴趣的信息内容。目前来看，智能分发主要有以下几种方式：搜索分发、算法分发、社交分发等。搜索分发最大的特征是“人找信息”，每一次分发都是由用户发起的，其背后是实实在在的用户需求。因此，搜索分发的流量是最精准、最有价值的。算法分发是根据用户的画像，利用个性化推荐技术，把信息推送给用户。现在基本上所有的移动端资讯类App都是基于算法，把适合你的信息推送给你。这是一种典型的“信息找人”的分发方式，用户画像的精准性决定了算法分发的效率。社交分发是一种基于社交关系链进行的流量分发模式，其核心逻辑是根据社交关系进行推荐。比如，系统根据你的好友看什么内容，或者喜欢什么内容，来向你推荐相关的内容。每一种分发方式都有其自己的特点，在向用户进行内容分发时，很多时候都不是单一的推荐机制，例如视频号就是社交分发和算法分发相结合，以社交分发为主。而有一些内容不能单纯依靠算法推荐，这时就需要人工审核和干预，例如涉及价值观的内容，人工分发在此时具有重要的意义。(https://www.daowen.com)
智能算法推荐运用算法准确分析用户兴趣，为用户提供个性化的内容产品，为媒体抓住用户的心提供了极大支持，也帮助用户更加方便、精准地获取信息，因此得到了广泛应用。据不完全统计，当前基于算法的个性化内容推送已占整个互联网信息内容分发的70%左右。[12]从2012年起，互联网平台今日头条在业内较早将算法推荐系统应用到资讯领域中，实现了系统的自动学习推荐。今日头条推荐系统综合考量内容特征、用户特征、环境特征等因素进行决策。例如，环境特征包括上班期间、上班路上、下班休息等不同场景下用户的兴趣偏好信息。而短视频平台则有自己的一套分发逻辑。以抖音为例，抖音的流量分发类似于一个漏斗模型，大致分三个步骤：第一，冷启动流量池曝光。假设每天在抖音上有2000万人上传短视频，抖音会随机给每个短视频分配一个平均曝光量的冷启动流量池。比如，每个短视频通过审核发出后，平均有1000次曝光。第二，数据挑选。抖音会从这2000万个短视频的1000次曝光中，分析点赞、关注、评论、转发等各个维度的数据，从中再挑出各项指标超过10%的视频，每条再平均分配10万次曝光，然后将点赞、关注、转发、评论超过10%的作品推荐到下一轮更大的流量池。第三，精品推荐池。通过层层筛选验证，筛选出来的点赞率、播放完成率、评论互动率等指标都极高的短视频才有机会进入精品推荐池，用户打开时，看到的那些动辄几十上百万点赞量的视频就是这么来的。在这种流量分发逻辑下，用户即使没有多少粉丝，如果能够生产出足够优质的作品，也可以在很短时间内火遍全网。因为在作品足够优质的情况下，抖音平台就可以向更多的用户进行推荐，这样容易使得流量向头部高度集中。因此在抖音上，用户经常可以看到各类爆款、热门视频。
广告内容分发的智能化本质是基于用户数据的个性化推荐，以程序化购买、亚马逊推荐系统甚至是智能家居为典型代表，“基于人工智能的超级算法可针对消费者的面部识别、语音识别等对个体的生理和心理信息等多个层次的数据进行分析，从而精准匹配信息，并针对个体提供定制化服务”，这种分发模式打破了传统广告主要依靠直觉与经验的感性运作，转变为以数据驱动、事实为决策依据的理性运作，大大提高了广告分发的科学性与效率。[13]而且，广告内容分发的智能化发展也使得内容营销具备了高度个性化和精准化的可能。比如，当顾客到店时，特定的智能内容营销平台可以通过AI自动抓取用户画像，识别顾客的性别、年龄、潜在需求等，构建多维度的用户分析模型，实现消费场景自动匹配和内容信息的自动投放，这样一来，就可以让顾客既了解了产品或品牌信息，又可以使顾客在愉悦的氛围中增强对产品的理解，提升品牌好感度。智能广告分发在户外广告的投放中也令人耳目一新。比如，2017年，北京现代通过OOHLink投放了一组个性化的户外广告。广告分成白天版、夜晚版、晴天版、阴雨天版、男性或女性家庭版等多组不同的创意素材，利用人工智能技术，识别不同的天气状况、受众的性别、年龄等，从而实现在不同天气场景下对不同的受众投放不同的广告。
无论是个性化的信息咨询推荐，还是根据用户画像进行的千人千面的广告创意呈现，都体现出智能分发的精准化。越是在信息过载的时代，用户越容易对大量信息失去耐心，从而产生抵触心理。此时，精准就变得既难能可贵，又讨人喜欢。因为只有在用户的需求场景下为其提供相关的内容信息，才可以避免对其造成信息打扰，并直击其真正的需求痛点。换句话说，在对的时间，和对的人，说对的话，这才是智能分发的题中之义。
不过，也要警惕“选择过载效应”，当提供给用户越来越多的选择时，媒体或品牌也面临着一个潜在风险：大量的选择会吸引用户浏览，但较少的选择会让用户购买。
三、内容智能分发的挑战
（一）“尖叫效应”的隐忧
走在人潮涌动的大街上，如果有人突然歇斯底里地尖叫，往往能够快速地吸引人们的注意力，获得大量关注。这在心理学上叫“尖叫效应”。引申到信息传播中，就是指通过非法抓取、剪拼改编的惊悚、恶搞、色情等低俗内容，迅速引发大量关注的现象。不少互联网产品，就是用这个方法获取了关注，而基于算法导向的智能推荐技术则为实现“尖叫效应”带来了技术支持。很多信息推送充斥着大量情绪化的表达和片面化的解读，有些甚至以低俗、猎奇的方式呈现给大众，从而取悦受众，扩大平台用户基数。这就造成了一些“标题党”甚至内容低俗的传播现象。算法主导的智能推荐很难解决这些问题，因为不管是基于内容的智能推荐还是基于协同过滤的智能推荐都是以用户需求为核心，对用户相关信息进行广泛搜集、深度分析，并自动过滤掉“不感兴趣”“不认同”的信息，实现“看我想看，听我想听”，将更契合“尖叫效应”的信息推送给用户，进而引发了“过滤气泡”困境。
（二）“过滤气泡”的困境
智能分发的广泛应用，正在编织一种全新的信息接收方式——以用户兴趣偏好或社交圈层为标准的信息筛选和接收方式。无论是基于机器算法的个性化推荐，还是基于社交关系的智能分发，虽然在一定程度上实现了以用户需求核心的传播，却也面临着“过滤气泡”的信息困境，从而使用户陷入“信息茧房”的陷阱。
“过滤气泡”概念最早由互联网活动家帕里泽（Pariser）2011年在其著作《过滤气泡：互联网没有告诉你的事》（The Filter Bubble：What the Internet Is Hiding from You）中提出。他发现两个人使用谷歌检索同一词语，得到的结果页面可能完全不同；不同政治立场的人浏览同一个新闻事件，看到的新闻倾向也可能完全不同。比如2010年发生了令人震惊的英国石油公司墨西哥湾漏油事件，帕里泽委托其两位住在北部并且受教育程度相似的朋友在谷歌上搜索有关的消息。一位获得了深水地平线漏油事件的信息；另一位获得的却是关于该公司的投资信息。这个现象引起了帕里泽的质疑。他发现在互联网时代，搜索引擎竟然可以随时了解用户偏好，并过滤掉异质信息，为用户打造个性化的信息世界，但同时信息和观念的“隔离墙”也会筑起，令用户身处在一个“网络泡泡”的环境中，阻碍多元化观点的交流。帕里泽将此称为“过滤气泡”。[14]他认为，以算法推荐为代表的智能分发技术，用户接收的信息内容往往会受到个人身份、点击行为和检索历史等因素的影响，并受到算法的操控，从而限制用户接触相反的信息。大数据和人工智能技术虽然解决了信息冗余的问题，但却限制了人们对无限信息的渴求和认识，用户似乎是信息的主人，但事实上，由于“过滤气泡”的操纵，他们的视野越来越狭隘，无法获得可以扩展世界观的信息。《信息乌托邦》的作者桑斯坦也认为，信息的协同过滤会导致信息的窄化，使群体成员倾向于加强与本群体的联系，忽视与外界或其他群体的信息交流，导致群体内部的同质化和群体之间的异质性，导致产生“信息茧房”。喻国明直接指出，“长期生活在‘信息茧房’之中，容易使人产生盲目自信、心胸狭隘等不良心理，其思维方式必然会将自己的偏见认为是真理，从而拒斥其他合理性的观点侵入，特别是获得同一类人认同后日益演化为极端思想和极端行为”。[15]
（三）用户隐私的边界
大数据是内容智能分发决策的基础，对用户个人数据的收集和处理直接决定了内容智能推荐的精准性。但是对于数据的采集与使用却越来越成为一个敏感话题，如何平衡好商业利益与用户数据权利之间的关系成为智能分发平台或媒体不得不认真考量的重要议题。近年来发展势头迅猛的会员订阅制流媒体播放平台Netflix在内容智能推荐方面成效显著，平台数据显示，在过去两年中，用户观看的80%以上的Netflix节目都是Netflix引擎推荐的直接结果，而不是用户搜索的特定内容。它在数据采集和使用方面非常重视“透明度”，即让用户了解平台如何收集和使用数据，而不是在用户不知情的情况下进行。其技术研究团队认为数据使用的透明度原则不仅促进了用户对系统的信任，而且鼓励会员提供反馈，这将促进更好的内容推荐，形成良性循环。如果没有透明度，个性化内容推荐可能会被认为是对用户侵入性的窥探，而不是有用的和直观的推荐。
当然，面对这些挑战，互联网平台也在做积极改变，比如为帮助用户发现更多兴趣点，今日头条不断引入多领域的优质内容生产者，并运用算法推荐给用户；推出“灵犬”反低俗助手，剔除低俗信息。推荐系统还增加了消重和打散策略，前者旨在消除内容相似文章推荐，后者降低了同领域或主题文章的推荐频率。[16]越来越多的平台在数据采集和使用方面正走向规范化和透明化。