10 · 演算法正在讓你的品味變小

推薦系統很擅長找你會點的東西。聽起來跟「找你會喜歡的東西」是同一件事。其實不是。

每個現代推薦引擎，包括 Steam 的，optimization target 都是「使用者下一個 session engage 的機率」。引擎看你最近玩了什麼，找出旁邊的東西。如果你玩 roguelike，它推更多 roguelike。如果你晚上 11 點打開，它推「11 點打開的人喜歡的東西」。

每個推薦都「合理」。沒有一個是「意外」。

Surprise 對品味做了什麼

品味是靠「接觸到你目前喜歡的邊緣」來建立的。第五個 roguelike 教你的東西比一個你不會自己挑的策略遊戲少。第二個回合制 JRPG 縮窄你。一部紀錄片、一部電影、一段對話把你推向意料之外的東西，會擴展你。

推薦引擎不會優化擴展。它們優化「不要失去你」。兩件事相關但不一樣。一個從來不接觸到自己 cluster 之外東西的使用者，engagement 高、成長為零。

兩年讓演算法選擇之後，你的品味已經被悄悄漏斗化了。你不會察覺，因為每個個別的推薦都「對」。漏斗的形狀，從漏斗裡面是看不出來的。

這在哪裡顯現

你開始覺得新遊戲都一樣。它們不是。你被秀的是窄窄的一片。

你覺得自己「過了」某個類型，其實只是用完了演算法以為你想要的那一片。

你被朋友推薦買了某個東西，發現自己愛它，那個感覺是演算法在過去幾個月秀給你的東西沒有達到的。那是演算法在對你藏東西。

你滑你的庫存，發現你不記得為什麼有清單最下面那些遊戲，那些演算法開始過濾之前你買的東西。那些是你當初好奇的東西。比較新的那些是被優化過 click probability 的。

有用的事

刻意逆著演算法 curate。每個月挑一個你不常玩的類型的遊戲。讓自己有不喜歡的權利，那是一個真實的數據點。有時候你會發現一個你不知道自己想要的類別。

用不是要把你留在 platform 上的推薦來源。一個朋友、一個 podcast、一個論壇、一本雜誌。他們的興趣會滲到你身上，跟「跟你類似的使用者也買了」是不同種類的推薦。

記得「我不喜歡 JRPG」這個結論可能是五年前根據三個遊戲形成的。當時的品味不是現在的品味。偶爾測試一下。

順帶一提

Maida 不嘗試推薦。它根據你過去的行為從已安裝庫存挑，但它不知道哪個遊戲跟哪個類似。引擎裡沒有藏「跟你類似的使用者也玩了」。如果你裝了它，它就有資格。隨機是 feature。

這不是偶然真的。整個產品建立在「演算法推薦是娛樂的錯誤預設」這個信念上。Maida 免費在這裡。