Как идеальные рекомендации могут испортить удовольствие от контента
Исследование, опубликованное в журнале Cultural Economics, поставило под сомнение распространенное представление о том, что чем точнее алгоритмы рекомендаций, тем лучше для пользователей. Согласно новой математической модели, небольшая доля случайности в подборе музыки, фильмов и другого контента способна повысить удовлетворенность людей в долгосрочной перспективе.
© Naukatv.ru
Сегодня рекомендации стриминговых сервисов, сайтов и социальных платформ помогают миллиардам пользователей выбирать, что слушать, смотреть и читать. Обычно такие системы нацелены на максимальную вовлеченность здесь и сейчас. Однако автор работы Самсун Найт из Университета Торонто заметил любопытное противоречие.
По его словам, многие люди сталкивались с ситуацией, когда алгоритм находил для них идеальную песню или фильм, а затем продолжал настойчиво рекомендовать похожий контент до тех пор, пока интерес к нему не исчезал.
«Сначала мне очень нравились многие из алгоритмических рекомендаций песен Spotify, но потом я с удивлением заметил, как Spotify настойчиво продолжал рекомендовать одни и те же песни, которые казались мне "отличной находкой", пока я не смог больше их слушать», — рассказал исследователь.
Почему точность может работать против пользователя
В основе работы лежит концепция так называемого потребительского капитала. Она предполагает, что знакомство с определенным жанром искусства постепенно увеличивает удовольствие от него. Однако этот эффект не бесконечен. После определенного порога наступает насыщение, и интерес начинает угасать.
Найт считает, что здесь возникает проблема современных алгоритмов. Они отлично определяют, что человеку нравится прямо сейчас, но гораздо хуже помогают открывать то, что может понравиться ему в будущем.
«Главная идея заключается в том, что алгоритмы, которые все точнее предсказывают, что вы хотите посмотреть или послушать сегодня, могут попутно помешать нам открыть для себя то, что мы могли бы полюбить завтра», — объясняет автор.
В качестве примера он приводит хип-хоп. Многие слушатели поначалу воспринимали этот жанр настороженно, однако со временем научились его ценить. По мнению Найта, если бы современные рекомендательные системы существовали в период становления хип-хопа, они могли бы реже показывать такую музыку аудитории из-за низкого первоначального интереса, что затормозило бы ее распространение.
Как система сама создает скуку
Чтобы проверить свою идею, исследователь создал компьютерную модель, имитирующую работу рекомендательных алгоритмов. Она учитывала как изменение вкусов пользователя со временем, так и поведение системы, которая стремится удержать внимание аудитории.
Моделирование показало, что слишком точные алгоритмы постепенно начинают избегать всего нового. Если пользователь не проявляет интерес к незнакомому жанру после первых рекомендаций, система делает вывод, что такой контент ему не подходит, и перестает его предлагать.
В результате алгоритм снова и снова показывает знакомые варианты. Пользователь сначала остается доволен, но со временем начинает скучать. Возникает своеобразный замкнутый круг, в котором система сама ограничивает разнообразие контента.
Небольшой хаос оказался полезным
Самый неожиданный результат исследования связан с так называемым «шумом» — случайными отклонениями в рекомендациях.
Когда ученый добавил в модель небольшую вероятность ошибок, алгоритм время от времени предлагал пользователям непривычный контент. Именно эти случайные рекомендации помогали открывать новые жанры, расширять вкусы и не зацикливаться на одних и тех же произведениях.
Кроме того, такие паузы давали людям возможность отдохнуть от любимого контента, что позволяло позже снова получать от него удовольствие.
«Более шумные, менее совершенные системы поиска креативных продуктов могут принести пользу всем нам», — считает Найт.
Возможно, задача алгоритмов заключается не только в том, чтобы угадывать сегодняшние предпочтения человека, но и помогать ему находить то, что он сможет полюбить через несколько лет.
По мнению Найта, в будущем платформы могли бы учитывать не только недавние клики и просмотры, но и то, насколько долго пользователь знаком с тем или иным жанром. Такой подход позволил бы сделать цифровую среду более разнообразной как для аудитории, так и для самих авторов контента.
