普利策奖照片被Facebook算法认定是情色图片，新闻分发真的可以完全依赖机器算法吗？

Facebook因裁撤“热门话题”人工编辑团队导致一张普利策获奖照片被算法认定是情色图片直接删除而激起民愤。全权交给机器算法来决定新闻内容的热门程度是否真的可取？

如下是来自一点资讯算法总监王元元的观点。

一点资讯算法总监王元元

一方面在移动互联网时代，单纯依赖编辑经验的内容分发效率低下，是机器逐渐取代人工分发成为资讯客户端内容分发主要模式的重要原因。

但另一方面，一味仰赖话题数据指标和话题相关性的算法分发，容易带来内容品质的下降，导致为满足用户碎片化阅读时间和共性需求的标题党、低俗文章、无营养的鸡汤文大行其道。

因此，寻找人工与机器算法之间的平衡，是移动新闻甚至整个移动阅读领域的未来趋势。

推荐引擎的优势和陷阱

如今，人工智能概念已在科技、医疗、教育、购物、交通等各个领域落地，而机器在内容领域的应用则让内容分发更加高效。细心的人会发现，现在随便打开一个视频网站或新闻资讯App，都会有“个性推荐”或“猜你喜欢”，系统会根据你的浏览记录，自动为你推荐内容。

这主要源于人工编辑在移动时代碎片化信息获取中暴露的劣势和短板：一方面，人工能干预的内容数目受限，往往集中于最热门的头部内容，无法满足跟用户生活、工作相关的，甚至更长尾的价值内容；另一方面，以编辑经验主导的各大门户的首页呈现“千人一面”的特征，无法提供个性化阅读体验。

发挥机器在分发和排序上的优势

那么，人工智能在个性化资讯推荐中究竟肩负了哪些责任？人工分发的上述两个不足，正是机器所擅长解决的，原因在于：

第一、机器分发能够对海量内容进行深度加工：包括提取分类、主题、标签、风格等结构化信息，而这些丰富的结构化数据能使得算法更高效的调度流量，利用用户的行为探索并发现有潜力的内容。

第二、机器排序彻底解决人工排序问题：算法排序的核心是根据用户、内容、上下文信息决定实时计算每个内容的得分，按照得分进行排序。由于考虑到了用户的信息，排序结果是个性化的。另外，模型的更新也是实时的，能够充分的利用已有数据，指导下次分发，最大化的优化分发效率。

但机器并非万能。尽管机器在内容分发领域带来极大的效率提升，要做到完全取代人工编辑仍困难重重。原因在于，单纯依赖用户浏览行为进行个性化推荐的逻辑虽然切中了人性弱点，却也非常容易带来内容品质的下降。

基于一个类似黑盒子的算法模型，机器能够让用户持续不断的发生点击行为。但纯粹从模型驱动，就会导致用户被数据欺骗，沦为乌合之众。用户的点击的欲望是有的，但其产生的价值其实是非常难衡量的。

人工编辑凭借专业经验对机器进行训练

现在，尽管你在Facebook上所看到的内容大多依靠算法根据用户兴趣来进行挑选，但人工编辑也在验证下恢复地位。而人工智能时代的到来让我们看到了一个全新的机会——人工智能+编辑的结合，造就了人类阅读的‘奇点’。只有“人机”智能的结合，才能同时提供规模化、个性化、乃至基于人性的兼具价值与实用性内容的大量产出。

凭借用户兴趣搜索+订阅不同主题内容的用户兴趣主动表达的“兴趣引擎”，可以发现真实、完整的用户画像，为用户推荐除了热点、爆炸性新闻之外的更有意义和价值的信息，提供兼具共性与个性的移动价值阅读平台。

一方面，通过机器算法帮助用户从海量信息中找出真正有趣有料有用有品的内容，再根据用户兴趣图谱推送。另一方面，人工编辑凭借专业经验对机器进行训练，让机器能够更加精准地将具备价值性的内容有效分发至资讯、视频及其他内容载体端。

以一点资讯上基于普利策新闻奖的机器学习和个性化推荐为例，人工编辑将上万篇包括普利策新闻奖在内的优质文章输入内容库用以训练机器，让机器通过寻找其中共性，学习筛选具备同类文章特质的优质内容形成“品读”系列的内容分类器。

目前，人机结合下的内容分发质量提升已初获成效。一点资讯官方数据显示，品读系列与客户端平均水平对比下，单篇文章阅读时长提升93.1%；单篇收藏量数比例提升208.2%。