人工智能能解决内容密集型平台上的“选择过载”问题吗？

引言

推荐系统减少了用户需要做出的选择数量，而数据表明，这对平台而言比大多数人想象的更有价值。这是否以牺牲偶然发现新事物的机会为代价，则是另一个问题，而且同样难以回答。

流媒体应用对周二的夜晚提出了很高要求。打开一个应用，在找到值得观看的内容之前，用户需要浏览一排排的缩略图——当然，这还得假设用户最终能找到任何值得观看的内容。很多人根本找不到。 广告横幅轮播不息，那寥寥几部作品不断重现，到了某个时刻，关闭应用似乎成了阻力最小的路径。像Vegas Stars casino nz这样的赌场网站则从另一个角度面临着相关问题：新注册的账户登录后，会发现数百个陌生的游戏图标，却不知从何入手。研究人员早前将这种现象命名为“选择过载”，而平台则将其视为某种营收问题。

推荐引擎的实际价值

根据Netflix旗下经济学家团队于2025年11月发表的一份SSRN工作论文（其中三位作者直接供职于Netflix），若将Netflix的推荐引擎替换为简单的热门度排名，用户参与度将下降12%。 若改用矩阵因子分解模型——这比完全个性化推荐稍逊一筹——用户参与度下降幅度则较小，仅为4%。这一差距乘以数亿的订阅用户基数，累计将导致数十亿小时的观看时长流失，而这笔损失最终会以某种形式体现在续订率上。

克劳斯·韦滕布罗赫并不完全认同个性化推荐是毫无疑问的好事。他在欧洲工商管理学院（INSEAD）教授市场营销，并合著了一篇论文，质疑人们最初究竟会多大程度上重视算法推荐。 “我和我的合著者提醒消费者，在做出此类选择时不要过度依赖人工智能算法，”韦滕布罗赫在论文中指出，试图让人们重新审视其中的偏见。他表示，希望人们能客观看待推荐，将其视为单纯的建议，而非官方背书。

这与流行度偏见有关。当已有足够多的账号观看某部剧集时，这会向模型发出信号，促使它向其他人推荐该剧（推荐现有的热门作品比推荐一些不知名的作品更稳妥），结果是，在随后的推荐轮次中，受众规模会逐渐缩小，最终对于那些不主动搜索该剧的人来说，该剧将从视野中消失。 经济学家用“富者愈富效应”来解释这一过程。这对于搜索引擎索引和社交媒体信息流等任何将流行度作为质量判断隐性指标的算法而言，都具有重要启示。

Netflix和欧洲工商管理学院（INSEAD）最终得出了相同的结论，但两者的研究路径却截然不同。尽管他们处理的是来自不同行业的完全不同的数据，但发现用户持续留存的根本原因通常是相同的：内容库规模不断扩大，却未能提升现有内容的质量，这往往会导致垃圾内容堆积，从而在吸引新用户或留存现有用户方面变得效率低下。

算法不擅长“意外之喜”

点击历史、页面停留时间和搜索词构成了大多数搜索引擎的基础。它们依赖这些数字足迹，向你推送更多你曾花时间观看或玩过的内容。从设计意图的角度来看，这合乎逻辑。但另一方面，你可能永远不会看到这一特定类型的推荐。 原因有些微妙：由于你从未接触过该内容，因此系统也从未检测到你对此感兴趣的迹象。在推荐系统和人工智能出现之前，过去常有“口口相传”的营销方式。比如当你的兄弟姐妹给你一张只收录了几首歌曲的混音磁带时，你可能会在毫无预兆的情况下，意外发现一个全新的音乐流派。

内容类型	标准互动	精选互动	关键观察
广受欢迎的热门内容	已处于较高水平	几乎没有变化	仅凭人气就能让这些作品被发现
中端目录	被埋没，容易被忽略	排名明显跃升	在这里，精选推荐尤其能发挥作用
小众作品	几乎看不见	略有提升	即便是精准的定向投放也有其局限

仅凭纯粹的数据，很难自行挖掘出这些出人意料且有趣的选择。像 Vegas Stars 这样的网站管理着庞大的游戏库，其中包含纸牌游戏、高波动性老虎机以及全天候在线的真人荷官。显然，整理这样的游戏库需要一定的组织工作。机器学习算法负责处理底层数学计算，而智能的用户体验（UX）和产品设计则完成最终的呈现。如果用户在没有任何过往经验的情况下注册新账号，AI 和完善的内容分类体系就会发挥其魔力。 通过这种方式对平台进行布局，可以确保游戏列表不会显得杂乱无章。

优质的精选内容大有裨益

初次访问Vegas Stars的用户会看到大约200个独立的游戏图块，而此时他们尚无任何点击记录。 许多老式的推荐引擎处理这种“空白状态”的方式已显过时，主要是因为当初设计时并未考虑到这种场景。有些系统最终只能循环推荐那寥寥几种游戏类型，直到屏幕上的内容开始变得千篇一律。更优秀的系统则会尝试更复杂的处理方式：先追踪玩家已有的偏好，然后偶尔插入一些超出该模式的游戏，以观察哪些能引起共鸣。

• 点击次数和会话时长比任何调查都能更准确地反映玩家的行为。
• 通过协同过滤技术，我们将数千个账户相互对比，寻找玩家在游戏内容选择（如游玩或跳过）上的重叠点。
• 波动性和游戏机制直接从游戏文件中读取，因此风格匹配基于数据，而非猜测。
• 游戏过程中情绪的变化也会被捕捉到，而静态用户画像往往会忽略这一点。

工程师们给这种初始场景——一个尚无任何记录的新账户——起了一个专有名词：冷启动问题。有些系统通过将新账户默认推荐至广受欢迎的内容来处理，直到积累足够的行为数据才能进行精准个性化推荐。另一些系统则会设置几个引导问题，以稍显繁琐的注册流程换取匹配的先机。这两种方法虽不完美，但都比随机展示200个游戏卡片并指望其中某个能引起兴趣要好得多。

当你开始浏览所有内容时，有两种技术承担了大部分实际筛选工作。首先，协同过滤通过比较被点击、播放甚至“共同跳过”的标题，为一个账户与成千上万其他账户建立相似度评分。 基于内容的标签法则跳过了这种比较，转而读取每个标题的元数据——如波动指数、主题、赔付表结构——然后将这些属性与该账户以往的偏好进行匹配（这两种技术通常并行运行，而非相互替代）。无论采用哪种方法，都能让用户免于坐在那里手动翻遍整个目录。

具体来说，该过程大约包含五个步骤，每个步骤都相当简单明了：

1. 在进行任何排名之前，会将游戏会话数据、类别偏好和跳过模式等数据输入模型进行分析。
2. 个人档案会与基于实际点击历史的游戏进行匹配，而不仅仅是那些广受欢迎的作品。
3. 排名要精准。首页网格的大部分互动都发生在前几行，这也是为什么排序顺序比下方列表的长度更具权重的原因之一。
4. 新的点击、跳过和已完成的会话数据会被整合为新的训练数据。
5. 新发布的内容和玩家行为的变化会在几分钟内被纳入，而无需等待计划中的更新。

Vegas Stars 如何实现更优质的精选推荐

在Vegas Stars这类网站上，移动端会话占据了大部分流量，这改变了内容推荐实际上需要为用户做些什么。 较小的屏幕在用户需要滚动之前，通常只能显示六到八个可见图块，因此第一行可见内容的重要性远超其他部分，这与 Netflix 研究中指出的“首页网格效应”类似。如果第一行内容安排不当，无论底层匹配算法多么出色，玩家都可能永远看不到库中的其余内容。

此外，真人荷官桌游又增添了一层全新的复杂性。假设有一张黑杰克牌桌还有三个空位，而有一位用户想加入；你需要在几毫秒内将他们连接起来，而不是花几秒钟去翻找日程表。 一旦座位被占用，你不能像点播视频那样简单地播放重播。与点播视频库不同，这里的时间点至关重要，因为一旦该真人桌位满员，玩家的机会就一去不复返了。这就像《使命召唤》或其他PlayStation和Xbox上的团队游戏中的多人游戏大厅一样。

支付速度在某种程度上也间接影响着用户发现机制。通过加密货币或电子钱包进行资金转账的玩家，通常比那些需要等待数天才能完成银行转账的玩家更频繁地更换游戏场次，这使得推荐引擎在每次访问中能用于学习用户行为的时间更少，随后该账户就可能流向其他平台。资金到账越快，通常意味着系统能更快地判断该大厅是否真正满足了该玩家的需求。

要实现这一点需要真正的工程实力。这需要快速、响应灵敏的后端系统，并配合一种能精准捕捉玩家实际关注点的界面布局。

免责声明：赌博是一种娱乐形式，存在固有风险。不应将其视为收入来源或财务策略。请仅下注您能承受损失的金额，设定严格的限额，若赌博对您造成影响，请寻求帮助。参与者须年满18周岁。请始终负责任地赌博。