給《盧安達旅館》5顆星，但更愛看的是《美國隊長》...看Netflix用3關鍵，破解用戶超難抓的「品味心理」

人們都會期待「你給我什麼」？

有天晚上，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4部電影兜在一起？如果我喜歡希區考克，但是不喜歡《安妮霍爾》，這會給出其他的推薦電影嗎？

林登曾協助亞馬遜率先投入演算法的開發，他提醒我們，不要讓電腦太有能力去找出一些古怪的建議、「電腦只是在進行人類做的分析而已。」但是，創造這些電腦的人也承認，數學的宰制會越來越精巧複雜，變成像是電影《2001太空漫遊》裡頭的超級電腦一般的「黑盒子」，其行為不再能被決定或預測（這至少還是人類所獨有的特性）。

Netflix的推薦偶爾會惹毛我──一部亞當山德勒主演的電影？你在搞笑哦？

有這麼多影片可以看，這也就意味著要花更多的時間來決定要看什麼。於是，我已經慢慢可以接受，在一個常常感到困惑的時代，我已經沒時間去看過期的法國雜誌《電影筆記》（Cahiers du Cinéma），或是去翻唱片行外頭的特價花車了。我把一部分做決定和發現的過程交給電腦，或許也是有好處的。我們已經把記憶的誤差交由Google來負責了。

但是有一段時間，我還是很認真地研究我的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。我想知道，我喜歡《屍變》（Evil Dead）並不表示我也喜歡其他的驚悚片。我想讓它不只是知道我喜歡什麼，而是我為什麼喜歡它。我想要的超過它所給的。

人們都喜歡「自我感覺良好」

Netflix手中握有關於人喜歡什麼、討厭什麼、對什麼按了讚、偏好是什麼的龐大資料，這種公司的出現提供了前所未有的機會，一窺那曾是難以理解的領域：判斷的行程、偏好的表達、品味的機制。

線上行為的範圍極為廣泛──被稱為電子口碑（electronic word of mouth）──在此，抽象、「無法言說」的品味概念遇上了具有協同式過濾演算法的網際網路規範，無序蔓延的數據集，還有那無窮無盡的活動紀錄。

基本上，任何一個按讚的回應都是無用的。這都可歸類為費斯曼（Ray Fisman）所說的「空口白話」問題。整體水平是透過數字，就可把雜訊過濾掉，脫離本體的部分可予以邊緣化，並達成統計上的共識。

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》五顆星，給《美國隊長》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》。

我們都有這樣的時候，想要表現出自己心目中理想的自己。「我其實是個很不一樣的人，」劇作家何瓦特（Ödön von Horváth）如此寫道，「我只是從來沒機會去當他。」我想到伍迪艾倫的電影《呆頭鵝》（Play It Again, Sam）有一段，片中角色在約會之前，手忙腳亂地把咖啡桌上放滿很有氣質的書（「這些書如果你不讀的話，不能就這樣散在那裡，」他的朋友跟他抱怨，他的回答是「這會給人一個印象」）。

讓人好奇的是，Netflix的資料是隱私；沒有人會看到你選了什麼、對什麼有興趣。就像葉林說的，在此所牽涉的擬劇論指向一個人的自我。

這又牽涉到一個人類學家崔佛斯（Robert Trivers）和心理學家席柏爾提出的有趣問題：「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，這個話題我們在後面還會探討。如果欺騙在演化上是個有用的策略，「在動物的溝通中是重要的」，那麼自我欺騙也變成「一個為了騙別人的防衛策略」。伍迪艾倫的劇中角色擺出這些書，讓自己感覺舒服些，也有助於說服自己是讀那種書的人，所以能幫他把約會搞定。

人們都有「收縮偏見」

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。這就像賭場經過精打細算，會設法讓你在賭博機器旁流連忘返。它想推薦你會看的電影，Netflix稱之為「契合」。

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》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2顆、4顆星的評分比1顆、5顆星的評論要多得多。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。

【書籍介紹】