在 Netflix 的算法世界里，影评人是多余的？！
本文特别致谢：
极客电影、Hulu 推荐算法技术负责人 周涵宁博士 提供技术咨询
上个月好莱坞最大的震动，莫过于市值1600亿美元的流媒体巨头Netflix，以微弱优势超过了当时市值为1580亿美元的迪士尼，成为真正的娱乐之王，在硅谷科技公司与传统好莱坞的对战中小胜一筹。
▲ 迪士尼与Netflix的娱乐霸主之争
Netflix拥有近1.3亿全球订阅用户，它不仅用「算法」制作内容，还用「算法」把用户留在家中、一个接一个的看自己平台上的内容，这已经对包括电影院线在内的传统发行渠道产生了致命冲击。
▲ Netflix滋生了海外的“追剧党”
革了发行的命还不够，Netflix还要革意见领袖的命——用户的主观评论也不重要了！
过去几年里，这家互联网公司一点点有预谋、有计划、有步骤的弱化「主观评论」；今年夏天结束时，Netflix 将彻底抛弃「用户评论」功能。
Netflix 这个举动背后的逻辑是什么？它对未来互联网内容的趋势有什么影响？
最初 Netflix 上的用户评价体系跟我们熟悉的「大众点评APP」和「豆瓣电影”一样，分成两类：「五星打分」和「用户影评」。
「五星打分」，观众用五颗星来对电视节目或电影进行评级；「用户影评」，观众在看过内容后，可以写80-1999个字符的主观评论。
去年 4 月，Netflix 用一个更简单粗暴的「拇指向上/向下」点赞系统取代了「五星打分」体系。
用户对内容的判断只剩下「拇指向上-好」或者「拇指向下-不好」。
Netflix 说，这个产品灵感是从约会网站上的左右滑动算法匹配来的。产品经理认为，一个基于百分比的评价系统能给观众提供更有效的选择参考。
这一改变能带来两个实际的好处：
第一，去掉了用户评价的模糊区，让算法学习更高效：
有些用户为了彰显自己的观影品位，给喜欢的作品打出「三颗星」，这其中的涵义对人类来说就够模糊的了，机器学习起来效率更低。非黑即白的“是否”评判就是用来消灭灰色地带的。
第二，让用户的反馈不再「纠结」，降低了反馈门槛、增加了反馈用户人数，机器学习结果更准确：
相对「五星」的5个选项，「是否」2个选项参与起来更容易、更接近本能；这样用户就更喜欢反馈，有助于提升参与用户的样本量，这样就能增加机器学习的准确性。
一份 Netflix 的报告显示，在内测过程中，使用「拇指向上/向下」系统让用户收视率提升了 200%。
Netflix 认为「五星打分」的作用被高估了，它更适合那些有大把空闲时间在网上吹嘘自己观点的人：
「给出明确信号，让我知道你对这个内容感兴趣，我们就能更了解你的喜好，给你推荐更多类似内容；
用向下的拇指告诉我们你不是这个内容的粉丝，它就不会再在你的主页出现。
拇指的方向能帮我们了解和学习你独特的品味，这样我们就能更智能的为你推荐你喜欢的的故事。」
杀死那个烦人的影评
继废除「五星”」之后，Netflix 又对「用户影评」动手了：截止今年7月30日，你将无法在评论区写新的影评；到 8 月中旬，你甚至连之前的用户评论也看不到了。
Netflix 发言人对媒体说，因为「用户评论」功能的使用量在持续下降，所以才做出彻底拿掉它的决定。
但是，打从一开始起 Netflix 好像就不太愿意让用户留下主观评论：Netflix 的APP 上看不到「评论」功能，只有 PC 端上才有；而且平台也从来没认真开发过这项功能。
停掉「用户影评」，可能有两个真实原因：
1. 流媒体模式下，评论对 Netflix 业务的重要度下降了：
在 DVD 租赁服务时期，用户评论还是有意义的：毕竟邮寄 DVD 需要两三天时间，如果用户收到一部特别难看的电影，换一张还得再等两三天时间。
但是，如果你在 Netflix 流媒体服务上看了一部糟糕的电影，立刻就能把它停掉，换下一个内容。试错成本极低，看别人的主观评价，还不如自己动动手指。
2. Netflix 的自制内容增多，放开用户主观影评有百害而无一利：
Netflix 已经不再仅是影视内容的发行渠道，今天的它就是一个真正的制片公司。
《纸牌屋》、《怪奇物语》、《王冠》...这些都是真金白银砸出来的原创剧，差评和恶意口碑，都是片方最不能容忍的。
互联网上用「刷负面口碑」来拉低节目收视率或电影上座率的做法层出不穷：前不久喜剧明星艾米·舒默的 Netflix 脱口秀就成为「负面口碑轰炸」的受害者。
▲ 《艾米·舒默：皮革特辑》网络口碑墙内墙外各种扑街
去年，亚马逊旗下的 IMDB 就关闭了用户论坛，理由是「它们不再为大多数用户提供积极、有用的体验」，Netflix可能也有同感。
▲ IMDB用户论坛关闭通知
为避免被差评，Netflix 决定先下手为强，先绝了这些恼人的影评——至少在自家平台上。
对于那些想认真看影评的人来说，外面有无数消息源：可以去 IMDB 和烂番茄看评分，或者到社交平台搜口碑，更较真儿的还可以去找一些更细分的专业媒体影评。
相比起专业影迷，Netflix 考虑的更多是“吃瓜群众”的感受——「用户影评」可能不会显著增加收视率，一旦出现负面评价，还会严重伤害收视数据，得不偿失。
所以，为什么还要在自家内容旁边保留这颗「定时炸弹」呢？
算法是「降维打击」的终极武器
Netflix 现在最依赖的，是基于你观看习惯的「百分比匹配」算法。
这套算法最核心的标准就是你的个性化偏好选择（拇指上下），它基于你的兴趣、为你量身定制，而且越用预测结果越准。
▲ Netflix用户进入个人主页，第一行和第三行都是算法推荐内容
举例来说，如果我是科幻迷，就会经常收到平台推荐的科幻剧和科幻电影，而且大多数都符合我的喜好。
即使有时候内容品质没想象中的好，我也还是会点击观看——因为这是 Netflix推荐给我的，试错成本又这么低，试试又何妨？大不了事后“拇指向下”。
Netflix 还会提供「朋友喜欢的节目」给你做参考：你能在节目下方看到「你的10 个朋友也喜欢《怪奇物语》」的信息，比陌生人的随机评论更有杀伤力。
它有点类似微信公众号文章的展示逻辑，是「内容社交化」的一种尝试。
但是，Netflix 算法最被人诟病的缺点，就是它会把观众变得非常被动——坐在那，等着系统「喂」给自己内容；长此以往，用户对内容选择的主动权可能会消失，“跳出偏好框架”的能力也会丧失，用户的认知体系会变得单一、充满偏见。
身为全球最被资本市场看好的媒体巨擘，Netflix 毫不犹豫的站了「算法」，还在算法铺成的道路上加速行驶，一骑绝尘。
就在此刻，Netflix 正在开发一项更贵的订阅服务——Ultra（超级用户），每月订阅费将近 20 美元，它允许一个账户同时把超高清内容「流」到四台终端设备上。
野蛮生长的互联网公司 Netflix，需要的确实是更简单清晰提升平台效率和价值的方法，再没时间和精力文艺了。
超神经小百科
单词
implement
[ˈɪmpləmənt] vt. 实施，实现
affinity
[əˈfɪnɪti] n. 亲缘性，密切关系
词组
fuzzy clustering 模糊聚类
collaborative Filtering 协同过滤
历史文章（点击图片阅读）
《为什么 AI 工程师，
更有机会成为下一个超级英雄》
《法国曾差一点点，成为世界头号科技强国》
《嘿！图灵，生日快乐》
《如果图灵是 AI 之父，
那么香农应该是 AI 舅老爷？》
超神经HyperAI
换个姿势看科技
关注