本文摘自：《品味選擇題》，大塊文化出版
某天晚上，我在瀏覽Netflix，看是不是有什麼東西可看，結果跳出來一部名叫《木馬贏家》（The Rocking Horse Winner）的電影（「因為您喜歡看《驚魂記》、《安妮霍爾》、《血風暴》」）。我點選了它，發現是一部1949年的片子，改編自勞倫斯（D.H. Lawrence）的小說，講一個男孩，只要騎在玩具馬上，就能預測賽馬的贏家。這個故事和這部電影我都沒看過。
我在這件事所想的是，透過演算法來推薦，這套系統實在太厲害了：從歷史的垃圾桶裡，用一種看不到、超過我所能理解的方式，挑了一部沒人知道的電影。是什麼東西把《木馬贏家》跟伍迪艾倫的經典喜劇、希區考克的驚悚片和柯恩兄弟黑色幽默的西部片連在一起？我所做的評分動作是如何把這四部電影兜在一起？
有一段時間，我很認真地研究我的Netflix演算法。每一部看過的電影，我都給評分，然後研究我會得到什麼推薦電影。我希望事情穩定下來，能掌握我的品味的曲折面貌。我想讓它不只是知道我喜歡什麼，而是我為什麼喜歡它。
這是為什麼當我跟Netflix產品創新副總裁葉林（Todd Yellin）坐下來的時候，我會聽到針刮過唱片的聲音。「我在這裡的首要工作是負責產品個人化。我帶領同事研究如何進行評分、如何改善預測、要把它放在使用者介面的哪裡。」到目前為止，一切都還不錯。然後他說，「我們在這幾年拓展個人化的範圍，把評分預測的比重降低了。」
「我們還是覺得這是很有用的資訊，」葉林說。「但這已經是次要的了。」發生了兩件事，讓它變得沒那麼有用。負責Netflix推薦系統的阿瑪崔安（Xavier Amatriain）表示，第一件事就是，Netflix在預測品味的速度已經到了頂。「你花了百分之二十的時間，有了百分之九十的準確性，然後花了其他百分之八十的時間，設法改善那百分之十的準確度。」是否值得這麼做，其實還很難說。
還有別的事情也改變了。從Netflix成立之後，Netflix已經從一家只寄送DVD的公司變成主要提供影片串流服務的公司了。因為有了串流，Netflix得到的回饋或許明顯減少，但卻有更多隱而不顯的行為。「我們可以得到即時的播放資料，」葉林說，「這比他們口頭說自己想要什麼要來得更豐富。」Netflix知道更多關於你看什麼、如何看：你什麼時候在看，看什麼，你在哪裡看，你在哪裡停下來，你接下來看什麼，什麼東西你看了兩次。你搜尋什麼──這又是一個品味的訊號。
Netflix曾經很依賴人們自陳他們喜歡什麼，現在則把焦點更放在人實際上看了什麼。「這有很多好處，」阿瑪崔安表示。「其中一個是人們評分的方式：他們以熱切的方式進行評分──他們會喜歡看什麼或是他們希望如何看。」
葉林指出，「人們想要自我感覺良好。他們甚至可以幻想出自我形象──他們說他們喜歡哪種東西、他們會給某一部電影幾顆星、他們實際上看什麼電影。」你可能會給《盧安達旅館》（Hotel Rwanda）五顆星，給《美國隊長》（Captain American）兩顆星，「但你可能更喜歡看《美國隊長》。」
這並沒什麼稀奇。從韋伯倫（ThorsteinVeblen）開始，經濟學家就在談論我們「品味」的炫耀「記號」（不論是否誠實）。它們通常會往上流動：人們不會給《美國隊長》五顆星，給《盧安達旅館》兩顆星，然後偷偷看《盧安達旅館》。社會學家高夫曼（Erving Goffman）有個很有名的看法，以「擬劇行為」來描述我們呈現自己的方式：「我們發現，向上流動牽涉到做出適當的表演，為了保有態度舉止而做出犧牲，以求努力往上移動，不走下坡。」
這又牽涉到一個人類學家崔佛斯（Robert Trivers）和心理學家席柏爾（William von Hippel）提出的有趣問題：「自我欺騙是演給誰看？」高夫曼說人經常不得不去維持標準，「因為人相信有個看不見的人在看，如果未達標準，將會受到懲罰。」於是就有了「有罪惡感的歡愉」（guilty pleasure）的罪惡了。
這並不意味著，當照見自我欺騙的時候會是讓人愉快的。Netflix最常碰到的抱怨，就是「你們為什麼要推薦那些只有兩、三顆星的電影給我？」換個說法，我不會喜歡的東西，你們為什麼要給我？但是Netflix並不是要把你變成影迷。它只是想讓你繼續看Netflix而已。巫理柏說，「當有人給《辛德勒名單》評分的時候，通常給分會很高──相對於我看的《扭轉時光機》（Hot Tub Time Machine）這種傻里傻氣的喜劇。」但如果你只給顧客四、五顆星的電影，「這不表示他們在辛苦工作了一整天的周三晚上會去看它。」
評分系統充滿了偏見。一般會避免最高和最低的一級──這叫做「收縮偏見」──所以兩顆、四顆星的評分比一顆、五顆星的要多得多。阿瑪崔安指出，另一個統計的缺陷是，「我們知道評分的級距並不是線性的，一顆星跟兩顆星之間的差距，不同於兩顆星與三顆星之間的差距。」這中間平凡枯燥的地帶是相當泥濘不堪的。此外還有「整數偏見」，人傾向於給出整數的分數。
自此世人對星號評分的做法爭吵不休。一個明顯的問題是，因為人的品味偏好各有不同。別人認為這部電影有三顆星，但你可能覺得是部五顆星的佳作。這也是為什麼Netflix會分成整體評分和「我們猜你會喜歡」兩個部分。這把品味直接攤在桌上：你喜歡這部電影的程度比其他人高了0.7分。我們或許會認為，這種表達「我們」的品味的方式比較純粹，但是出現的一個難題是，這個數字有一部分來自別人的作為。另一個問題是，不管你對某部電影怎麼想，你給的評分有可能會不一樣──偏高或偏低。
這說明了Netflix及其評分有趣之處。以前的評論者有自己一套評分系統，而我們是從舊時代過來的人，會認為星號評分就衡量的品質或至少是個人品味而言是穩定的。然而，從個人與統計的層次來看，Netflix的評分都是很不穩定的。
事情在個人的層次可能還更混亂。要某人把某部他看過的電影重新評分，他很可能會給一個不太一樣的分數。實驗顯示，你只要改變受試者第一次給的分數，就能影響他第二次給的評分。人在一次給好幾部電影評分（訓練他們演算的本事）和一次只評一部的方式有所不同。評電視節目的方式也跟評電影不同。「電視節目得到的平均評分要比電影高得多，」葉林說。電視影集的品質會比電影好嗎？「我的直覺看法是這裡頭有篩選的因素，」他說。「誰會給《黑道家族》（The Sopranos）打分數？不會是那些看了五分鐘就決定不喜歡它的人。會看它的人就是那些入了迷、花了幾小時追劇的人。」
「我已經深入這套評分的遊戲多年，」葉林語氣沉重，聽起來像是一個疲憊的匪徒，回首在街頭討生活的不堪歲月。我感覺到他想在這些評分中找到某種純粹、某種柏拉圖式的理想。到最後，從評分不見得能看出人會看什麼，也看不出人的性別和地區。「但如果他們在Netflix看了五部電影，那我們對他們的了解就不只是年齡、性別、地址而已。」
談了這些評分系統是如何不再受到強調，並不是要說推薦也不重要了。它們在Netflix的演算工作中確實比以前更重要，驅動了超過七成五的觀看率。
只不過，它們變得比較不外顯。Netflix不會告訴你，你喜歡什麼，現在基本上是讓你看到你喜歡什麼。「個人化」的欄位基本上是以你自身的行為所創造的。「每一件事都是推薦，」阿瑪崔安喜歡這麼描述新的介面，「超越了五星評分」的思維。即便是搜尋──這標示了「我們無法向他們展現要看什麼」──也送進推薦引擎裡。知道你在找什麼，這透露了你可能會喜歡什麼。
這反映了在兩個極端標誌之間的中間地帶，而這些標誌的本身並不是完全有用：第一個是你所敘述的喜好。這會把人帶到某種品味的死胡同去，充滿了晦澀、有趣的電影，但你很少會去看它。演算法以「過適」（overfitting）稱之：某個意義上來看，引擎所推薦的太過完美──所以完全無效。
第二是普及性。阿瑪崔安告訴我，這與「個人化」恰恰相反；如果想把消費極大化的話，「會員最可能看別人在看的電影。」這可能會引發「刺激一九九五問題」，全世界都看過這部電影，推薦已經多到過剩。《刺激一九九五》（The Shawshank Redemption）是Netflix最受好評的電影，網路上對它讚不絕口，結果推薦幾乎沒有任何預測力。「什麼鬼地方的人都喜歡這部電影，」葉林搖著頭，覺得不可思議。
Netflix並沒有全然倚賴使用者的行為來做推薦，或許這是對人類品味無可改變的喧囂的讓步。 Netflix也雇了人去「下標」，架設電影元資料（meta-data）的迷宮。Netflix發現，與其找出兩個人之間的類似之處，不如去確認兩部電影之間的類似處。結果有了很奇怪的發現。導演阿莫多瓦（Pedro Almodóvar）的名字可能就會把兩部不搭軌的電影連在一起，換了其他字眼是無法做此連結的。但是元資料本身也可能誤導。《厄夜變奏曲》（Dogville）是一部評價兩極的電影，如果只因為都是妮可基嫚所主演的，就把它推薦給看過《時時刻刻》（The Hours）或《紅磨坊》（Moulin Rouge）的人，可能會給自己找來大麻煩。
但是元資料也能理清靠我們一己之力無法發現的事情。那往往很詭異、由人所製造的作品類型提醒了我們，分類對我們的偏好影響很大。Netflix的詭異分類設法從那看似隨便提的建議中形塑意義。「推薦有可能太跳脫了，」葉林說，「這就好像是說，『哇，它為什麼會這麼說，只因為我給了《大紅燈籠高高掛》五顆星，就以為我會喜歡這部日本小鬼的電影？』葉林指了指他的筆記電腦。在他的Netflix頁面有一串推薦片名：《娥摩拉罪惡之城》（Gomorrah）、《血染天堂路》（Valhalla Rising）、《嗑到荼靡》（Enter the Void）、《安達魯之犬》（Un Chien Andalou）。這都是放在一個叫做「精神不正常的外國片」的類別下。「這看得我很興奮，」他說，「但你要是就只給我看這個，而沒有上下文，就不見得會讓人想看。」就像作家馬椎格（Alexis Madrigal）所說的，「Netflix不只是給你看你可能會喜歡的影片，它還能告訴你，那些東西是什麼。」
