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。」