買過的東西仍推薦 推薦的抖音都“複刻” 真正的“智慧推薦”還有多遠？

請輸入描述

用戶吐槽：買過的東西仍推薦 推薦的抖音都“複刻” 專家：物聯網時代或許會變“聰明”

IT時報記者 章蔚瑋

人工智慧、雲計算、大資料等前沿技術概念日益火爆， 各家互聯網公司也紛紛宣佈自己在用AI（人工智慧）做智慧推薦、大資料分析， 讓自己更懂消費者， 讓消費者更容易看到自己想看的內容。 可這樣的吐槽想必你也經常聽到， “為什麼我買了沙發， 它還不停地推薦沙發給我”“為什麼我偶爾流覽了一下八卦新聞， 現在首頁展現給我的都是娛樂圈裡的事”“這到底是智能？還是智障？”

一邊是大資料浪潮、人工智慧革命似乎已經來臨，

另一面受眾確實有“不被理解的苦”， 無論是誰， 無論是否真的需要， 任意點擊流覽就可能帶來強勢的關聯推送， 問題究竟在哪？

過於“靈敏”的資訊推送

被繁雜的資訊流轟炸幾乎是每一位手機用戶當下共同的經歷， 那些向你湧來的海量資訊看似與你相關， 卻並不真正瞭解你的需要， 就像個賣力的銷售員賣力介紹， 卻總是不得其法。

百度移動App就像是一名不太合格的“新聞推銷員”。 用戶劉小姐前不久因為追看一檔真人秀節目， 在百度上搜索了其中兩位元主角的資訊， 但讓她沒有想到的是， 簡單一次的檢索， 讓百度錯誤地給自己打上明星粉絲的“標籤”， 從此之後每一天， 打開百度流覽器，

推薦新聞中就有與其中一位明星相關的新聞、八卦、緋聞。 “這些新聞內容粗糙， 真假難辨， 讓人感覺更像是為這個明星提高曝光率的軟文廣告。 ”劉小姐回憶， 一直到這檔真人秀結束， 百度新聞還在推這個女明星相關的新聞， 讓她從最初的感興趣發展到沒興趣， 最終直接選擇漠視類似新聞。 “作為普通用戶我沒有辦法關閉類似的推送， 只能選擇漠視， 用這種方式告訴流覽器， 我真的不需要這樣的新聞推送。 ” 受此影響， 劉小姐打開百度流覽器的頻率也低了。

無獨有偶， 張先生前段時間在淘寶網上流覽木質傢俱， 一周後下單完成了購買。 但讓他沒想到的是， 緊接著與木質傢俱相關的各種資訊推送鋪天蓋地地向他襲來，

有通過應用自身推送的木質傢俱專欄文章， 也有一些品牌直接給他發送促銷短信， 整整持續了兩周時間。 但讓張先生感到困惑的是， “傢俱重複購買概率很低。 這樣的推送既對商家沒有直接幫助， 對消費者也是一種騷擾。 ”事實上， 買完傢俱後， 剛搬新家的張先生對家電的需求更高。 所謂的大資料分析， 為什麼只是根據歷史搜索記錄做重複推送， 而無法預判他下一步的購買行為呢？

記者做了隨機採訪， 發現類似情況非常普遍， 比如夏天在淘寶上選購了泳衣， 之後仍會不斷收到與泳衣相關的推送， 但很少收到游泳眼鏡或者出遊背包等相關聯商品的推送。 這種推送究竟是否智慧？

同樣的“強推”還出現在當下風頭正勁的短視頻網站。

用戶唐女士前段時間下載了抖音， 但她發現抖音上的內容無法手動檢索， 全部依靠網站推送。 作為新增用戶， 網站怎麼推送呢？儘管抖音的母公司今日頭條一直強調自己是個技術公司， 用演算法來推薦內容， 但唐女士只是隨意流覽時無意點擊了一段“鬼畜”視頻， 結果之後收到的大部分推薦內容幾乎都是同類內容的“複製版”， “這樣的內容推送既不智慧， 也不有趣。 ”最終， 唐女士選擇刪除了抖音。

“用戶都是平面的”

對於這樣層出不窮的現象， 蘇甯雲商集團副董事長孫為民曾提出過這樣一個解釋， 大資料有一個問題， 它所掌握的趨勢不是因果關係， 而是概率關係——比如， 你買了一本經濟學的書， 接下來還可能買同類的書，

可能給自己買， 也可能給別人買。 ”在他看來， 這樣的推薦本來就缺乏個性化追蹤。

“在大部分互聯網平臺的後端， 所有用戶的‘畫像’依然是平面的。 ” 一位元從事資料行銷的業內人士告訴記者， 在傳統廣告行銷業內， 類似廣告資訊流的推薦都是基於用戶標籤， 比如性別、年齡、流覽歷史、歷史購物記錄、收藏記錄等等， 這些使用者按照不同標籤被排列組合成不同人群。 但到目前為止， 大量在互聯網平臺投放的廣告主依然是以“歷史成交”人群作為核心推送人群， “購買了A泳衣的人， 同樣可能購買泳衣B， 這種情況比較普遍， 對大多數用戶來說， 這個策略是有效的。 ”

儘管大資料庫內給使用者制定的標籤高達數十項甚至上百項， 包括年齡、性別、居住城市、流覽足跡、購買習慣等等，但“歷史成交”“歷史流覽”依然被認為是最強關聯且最有價值的判斷依據，“大量廣告主依然相信有歷史成交的人群，會有更高購買概率，因此會向有歷史流覽記錄和成交記錄的人群進行大範圍的粗放式推介。”但歷史成交人群中究竟有多高比例的轉換？這位元人士很難拿出具體的資料，同時承認類似的大範圍廣告推介，投入成本更高，但精准度會下降。

即便是新興發展的短視頻網站，依然在如何更智慧地利用用戶畫像上難有突破，“抖音的演算法推薦就是根據現有內容添加標籤，進而在賽博空間（電腦演算法構築的資料統計）上完成使用者特徵描繪，直接進行推送。”在業內人士看來，在抖音後臺，每個用戶都是由一堆標籤構成的帳戶，推薦的精准度取決於用戶的點贊、觀看時長、對播主的關注以及廣域統計下的“大眾流行推薦”。因此，用戶的個人畫像依然是扁平化的，由此導致抖音推薦的內容“同質化”嚴重，缺乏真正的個性。

真正智慧推薦或在未來2年內實現

“真正意義上的大資料不應該是一個資料搜集歸類庫，而應該是‘智慧資料整合裝置’。”一位元大資料研究機構的人士認為，除了那些商家花錢的硬推廣告之外，目前的大資料依然無法真正做到智慧化，“比如某階段使用者需要的商品，因為這個階段的頻繁搜索被半智慧的大資料定義為喜歡，從而進行相關資訊推送，但有些商品本身並不存在複購率。真正的大資料應該做到更全面，比如用戶購買的水果是複購率極高的商品，通過大資料可以做到兩周後再次推送，或者如果用戶買了紅酒，可以自動推送冰桶或者相關聯的商品。”在這位技術人士看來，真正的大資料推送不應該是簡單粗暴的推送，而是根據使用者意願進行有效推送，而要做到這一點，至少還需要2年，“隨著物聯網時代來臨，這樣的情況會有所好轉。”

孫為民也曾提到類似觀點，在他看來，到了物聯網時代，互聯網公司所累積的資料以及數位化產生的關係很大程度產生因果關係，把人、場和景定位了，就可以根據個性化追蹤來得出結論，“比如你之前買的鞋，放了很久沒有穿，鞋自身的感應資料被傳輸到後臺，你再去同一家店鋪購物時，智慧收銀系統就能對你的購物偏好做出智慧提示，避免用戶再購買相同款鞋。”前者是推薦用戶買買買，後者可能是引導用戶更智慧地買。

包括年齡、性別、居住城市、流覽足跡、購買習慣等等，但“歷史成交”“歷史流覽”依然被認為是最強關聯且最有價值的判斷依據，“大量廣告主依然相信有歷史成交的人群，會有更高購買概率，因此會向有歷史流覽記錄和成交記錄的人群進行大範圍的粗放式推介。”但歷史成交人群中究竟有多高比例的轉換？這位元人士很難拿出具體的資料，同時承認類似的大範圍廣告推介，投入成本更高，但精准度會下降。

即便是新興發展的短視頻網站，依然在如何更智慧地利用用戶畫像上難有突破，“抖音的演算法推薦就是根據現有內容添加標籤，進而在賽博空間（電腦演算法構築的資料統計）上完成使用者特徵描繪，直接進行推送。”在業內人士看來，在抖音後臺，每個用戶都是由一堆標籤構成的帳戶，推薦的精准度取決於用戶的點贊、觀看時長、對播主的關注以及廣域統計下的“大眾流行推薦”。因此，用戶的個人畫像依然是扁平化的，由此導致抖音推薦的內容“同質化”嚴重，缺乏真正的個性。

真正智慧推薦或在未來2年內實現

“真正意義上的大資料不應該是一個資料搜集歸類庫，而應該是‘智慧資料整合裝置’。”一位元大資料研究機構的人士認為，除了那些商家花錢的硬推廣告之外，目前的大資料依然無法真正做到智慧化，“比如某階段使用者需要的商品，因為這個階段的頻繁搜索被半智慧的大資料定義為喜歡，從而進行相關資訊推送，但有些商品本身並不存在複購率。真正的大資料應該做到更全面，比如用戶購買的水果是複購率極高的商品，通過大資料可以做到兩周後再次推送，或者如果用戶買了紅酒，可以自動推送冰桶或者相關聯的商品。”在這位技術人士看來，真正的大資料推送不應該是簡單粗暴的推送，而是根據使用者意願進行有效推送，而要做到這一點，至少還需要2年，“隨著物聯網時代來臨，這樣的情況會有所好轉。”

孫為民也曾提到類似觀點，在他看來，到了物聯網時代，互聯網公司所累積的資料以及數位化產生的關係很大程度產生因果關係，把人、場和景定位了，就可以根據個性化追蹤來得出結論，“比如你之前買的鞋，放了很久沒有穿，鞋自身的感應資料被傳輸到後臺，你再去同一家店鋪購物時，智慧收銀系統就能對你的購物偏好做出智慧提示，避免用戶再購買相同款鞋。”前者是推薦用戶買買買，後者可能是引導用戶更智慧地買。