因為資訊科技以及網路四通八達的發展,資訊及內容都呈現大爆炸的情況。從前資訊「患寡」的情況大幅消失,反而轉換成為「患不準」的問題。

讓使用者精確找到自己所需要的
所以就像WWW興起時,人們熱烈的各種資訊及內容都製作成網頁上傳到網路上,人們面臨的問題不再是資訊內容的缺乏,而是不知道如何從巨量的資訊及內容中準確的找到自己所需要的。

因此,搜尋引擎的技術及平臺在當時成了各家競逐的領域。最後Google可以說是從搜尋引擎的大戰中脫穎而出,其關鍵原因便是在於其搜尋結果的精準度,能協助使用者從巨量的網頁中找到符合自己需要的。

正如前文中所提到的「長尾理論」,當資訊的項目變得繁多時,必然也會區分出大眾化的項目以及個人化的項目。各種不同的個人化偏好或需求,都會暗藏在項目—需求量分佈圖上的長尾部份。因為個人偏好類型不盡相同,所以對單一種項目有偏好的人數就會少;另一方面,由於個人偏好類型如此繁多,所以又會將這瘦瘦的尾巴拉長,最後便構成了長尾的分佈部份。

在項目—需求量分佈圖中,頭的部份意謂著「暢銷」,代表的是大眾的喜好,而尾巴的部份則意謂著「冷門」,代表的是眾多個人的偏好。而「長尾理論」便是認為,若能充份滿足不同個人在長尾中的需求,那麼一樣可以產生和「暢銷」部份接近的價值或甚至更多。

但是因為落在長尾中的項目太多了,對任何一個個人而言,要在長長的尾巴裡找到符合自己偏好的項目,自然而然就會構成困難。

在「長尾理論」中提出所謂「過濾器」的概念,便是指可以建構工具來扮演「過濾器」的角色,協助每個人在這長尾中繁多的項目裡,精準的找到符合自身需求的。漫長的長尾就像是一大堆的沙子,裡頭雖然也藏有對消費者而言有價值的黃金(而每個消費者的黃金都不同),但大部份的項目對任何一個消費者而言,更像是沒有用的雜質,因此,必須倚靠這個過濾器來將黃金自沙中濾出。有了好的過濾器,藏在沙中的黃金就能被濾出,長尾就能因此被活化。

尋與推薦機制的差異

對龐大數量的網頁來說,搜尋引擎是效果很好的過濾器。

當使用者知道自己想要的究竟是什麼,以及知道如何進行查詢時,搜尋引擎通常很有效果。所以,我們看現在許多資訊系統,不論是線上音樂網站、購物網站、影片網站,其設計上通常會有熱門項目的部份,像是熱門音樂的排行榜、最多人觀看的影片、最多人購買,或是最多人感興趣的商品等等。

熱門的部份可以滿足大眾共同的喜好部份,那麼,個人偏好的部份呢?現在許多系統都是利用搜尋機制來達成。例如,在拍賣網站,你可以搜尋商品的關鍵字、商品的分類、甚至是價格的區間、等等。當使用者對於自己要找的標的物有所預定的想法,並且知道如何運用查詢條件來進行搜尋時,那麼搜尋機制就會十分有用。

有了搜尋機制,特定的使用者偏好便可以被滿足。搜尋機制就像是個過濾器一樣,可以過濾出藏在大量沙土中的黃金。

不過,搜尋機制有賴使用者主動運用,而且必須憑藉著使用者對自我偏好的顯性知識,以及運用搜尋工具的技巧,才有辦法協助使用者找出隱藏在長尾中、但卻可能會感興趣的項目。所以說,搜尋機制很有用,不過也有其極限。為了更有效的發掘藏在沙土中的黃金,我們會要其他的過濾器,而推薦系統就是當中的一種可能。

所謂的「推薦系統(Recommendation System)」,就是一種能夠依據使用者的喜好及使用的行為,自動推薦他可能會感興趣的資訊(例如:商品)。因為推薦系統有能力為使用者找出那些隱藏在長尾中、較為冷門、但是符合使用者個人偏好的項目,所以推薦系統也有機會成為很好用的過濾器。

相較於搜尋引擎,推薦系統一方面可以自動為使用者推薦資訊,毋需使用者主動介入,另一方面,推薦系統也有能力挖掘出使用者潛在的喜好,這些喜好有時是較為隱性,不那麼容易受到使用者自身所認知。

推薦系統也可以綜合多種計算指標,包括資訊的熱門、新穎程度、等等,既可滿足個人化偏好求,也有機會兼顧大眾的喜好。但這並不是說,推薦系統可以取代搜尋引擎,而是指它們分別有其適用的方向,若能同時提供這兩種機制供使用者交互運用,就能夠滿足更廣泛的需求,也更能從長尾中找出更多使用者會感興趣的資訊。

現今已經有不少運用推薦系統,來為使用者提供更多有用資訊的網站,像是著名的Amazon就很擅長利用推薦系統,向消費者推薦更多使用者會感興趣的商品。

正如你可以想像的,當消費者正在Amazon上看著自己想要購買的商品時,網頁的邊上,還不時出現他也可能想要購買的商品時,自然容易提供更多商品被銷售的機會。

尤其是一些冷門的商品,更有機會透過這種模式來增加曝光度,進而被購買。對消費者而言,若使系統能夠更容易被看到那些不在熱門榜上、但自己又喜愛的商品,同樣能夠為消費者帶來價值。

再舉一個我們同樣會有深刻感受的例子,那就是YouTube的推薦系統。它是個我們大家都十分熟悉的影片分享網站,其中影片的類型可以說是非常的繁多。當然,YouTube一開始的時候就提供熱門影片的功能,使用者可以從各種指標來評估影片的熱門程度,並且提供熱門影片的清單供使用者參考。不過,做為一名YouTube的使用者,你或許會發現,熱門影片中的影片或許反映出熱門的趨向,但是熱門的影片你不見得感興趣。在十則最熱門的影片中,你或許會想觀看個一則或兩則,而對其他的部分則興趣缺缺。

推薦系統與搜尋的整合運用

這說明了雖然熱門影片的確是統計數字上的熱門,但是它反映出來的是大眾平均的喜好,個人的喜好可以說是在熱門的計算下被稀釋掉了。你可能會覺得熱門影片中的影片還可以,但吸引力還沒強到足夠吸引你點進去觀看,因為你每天接觸到的各種影音的內容也實在太多了。這便是因為,熱門影片不能夠完全符合個人的偏好。

有些類型的內容,你會更傾向於看熱門的內容,例如熱門的新聞。因為對新聞這種內容來說,你關心熱門甚過於個人的喜好。當然,你同時關心新的新聞甚過於舊的新聞。不過,對影片,尤其是像YouTube這種網站,讓使用者自行上傳的短片,由於數量龐大、種類也千奇百怪,照長尾理論的看法,長尾就有可能會出現。

當然,YouTube也提供了搜尋的功能,使得那些不在熱門影片中的影片有機會能夠曝光。因為對於此類的網站來說,讓長尾中的影片盡可能地活化,是一個經營的重點。否則,強者愈強,冷門的影片乏人問津,反而變成網站上大多數的影片都鮮少為人所觀看。

正如你所知的,YouTube後來導入了推薦影片的功能,我們在下回,將會以此為起點繼續介紹。不過,我這裡先告訴大家在一篇揭露YouTube推薦方法的論文中,所提到的數字:YouTube來自首頁的點擊中,其中推薦影片的部份佔了60%。而推薦影片的CTR(click through rate)更是最多觀看頁的207%。而這個數字足以說明,一個好的推薦系統,其推薦結果對使用者的吸引力是很大的。

 

專欄作者


熱門新聞

Advertisement