从抖音的一个交互细节能学习到什么

人人都说抖音的推荐算法厉害，有一个点估计想到的人不多：产品的交互设计如何辅助推荐算法获取到更多数据。这里说的是抖音是的如何让人刷视频流的。

作为对比，先说一个普通人更容易想到的视频流设计。例如，新浪微博的视频流，一个视频播放了之后，自动切换到下一个视频。看起来，用户不用动手了，减少了用户使用的摩擦，站在古典产品设计师的角度来说，嗯，是个好设计。

相反，抖音的这个视频流里面，单个视频占满整个屏幕，而且通过滑动来切换视频也是得单个单个这样地滑动切换而不是连续切换。而且即使一个视频播放完，也不会自动播放下一个，而是会循环播放，直到用户手动刷到下一个视频。

如果我们从传统的用户体验的角度上来说，这种浏览的效率其实是更低下，用户切换查看下一个视频必须得手动去切换，而且还不能通过快速滚动预览，跳过不感兴趣的内容，定位自己感兴趣的内容。（作为对比，作为现在微信的视频号就是采用连续滚动这种更传统的设计）。

为什么要去进行这样的一个设计呢？这种设计人为地引入了摩擦，而恰恰是这种摩擦，让用户的每一种行为（甚至没有行为），在算法的眼里都可以更清晰的去表达一种含义。

传统的信息流中，推荐系统要获取用户的喜好，在正反馈的获取方面是相对是简单的：点赞、评论、分享、对相应创作者的进一步查看和关注，都可以使算法认为当前用户对当前内容是感兴趣的。但对于负反馈的获取（用户不感兴趣甚至讨厌内容）获取是困难的。

对于一个可以连续滚动的典型信息流设计，一个内容节点被划过快速划过，让系统很难了解到用户是否真正对当前不感兴趣甚至厌恶。

首先当一个页面里面同时存在多个内容时，系统其实很难知道当前用户的视线其实是处于哪个内容（全面屏的普及让一屏内可能存在的内容更多了）。

即使解决了这个问题，其次快速划过也无法传达当前用户对当前内容负反馈的强度。

回到抖音的这个设计。当一个用户观看一个视频的时候，可以发生的主要交互有（抛去暂停播放快进等常规视频观看操作）：关注、点赞、评论、分享、滑到下一个视频（当然同时也能返回上一个），如果用户什么都不做，那就不断循环播放。

站在一个推荐算法的角度来说，这每一种交互都能代表什么含义呢？

关注、点赞、分享：用户喜好明显的正反馈；

评论：可能是正反馈或者副反馈，可以做语义情感分析；

滑到下一个视频：明显的负反馈，而且越快被划走，代表的负反馈强度就越高；

循环播放：明显的正反馈，而且循环播放次数越高，代表的正反馈强度就越高。

每一种交互都能代表的你的喜好。

这一种设计在低层次的交互层面上引入了一些摩擦，表面上看牺牲了一些用户体验，但这种牺牲却换来了对算法的友好，通过算法让系统更好地判断用户的喜好，更好地推荐用户感兴趣的视频，在高层次上反而带来更好地体验。（当然这里前提是假设推荐越接近用户的喜好，体验越好，这里不作价值判断）。

再加上短视频的长度设计（短视频15秒，长的也就1分钟），一个用户刷抖音一小时，就能给系统提供几十甚至几百次精确的反馈。而同样的一个小时甚至没办法完整看完一部电影然后在豆瓣上进行标记。

单单从推荐算法的角度来说，抖音的这种体裁和交互设计的结合，的确是传统的内容媒体无法望其项背的。

题图：埃舍尔《画手》—— 你在塑造着算法的同时，算法也在塑造着你。