一個平常的工作日晚上，筱佳和往常一樣開啟抖音，打算好好放鬆一下心情。過了幾分鐘，由於所看影片的背景音樂都是那幾首熱門“神曲”，越刷越煩的筱佳很快就關掉了APP。

流量大的去前面

這並不是筱佳第一次被持續重複播放的洗腦配樂成功勸退了。隨著使用時間加長，筱佳逐漸發現抖音影片配樂同質化越來越高，連原本會精挑細選一些小眾歌曲當作背景音樂的幾個同事及好友，最近也開始使用“平臺爆款”作為錄製影片的BGM。

“像我很喜歡看電影推薦類的短影片，以前這些影片的配樂還比較多樣，現在卻非常一致，都是那些節奏相似的洗腦旋律，聽多了真的頭疼。”筱佳有點無奈。

從芒種、野狼disco到鏡花水月、踏山河，這些不斷重複出現的配樂讓筱佳被迫單曲迴圈，對歌曲本身的看法也從一開始的無感到後來一聽見片段就十分厭煩，甚至影響了筱佳觀看影片的興致。

造成筱佳困擾的“抖音神曲”來自於抖音平臺所使用的資訊流漏斗演算法。使用者上傳影片並透過抖音平臺稽核後，系統將為此影片進行冷啟動，分配一個內含200-1000個線上使用者的初始流量池。

抖音平臺將資料好的短影片進行更大的加權後，會根據使用者群體的標籤推送不同影片，讓內容分發更加精準。類似“猜你喜歡”的打標，依照影片本身的標籤和使用者標籤，在兩者之間進行匹配、決定是否推送。

從抖音運用演算法推薦影片的整個過程可見，影片內容與標籤對於播放量的影響至關重要。以流量為基礎的推薦演算法加劇了賬號的“馬太效應”，為熱門影片及熱門音樂擴大推薦，使它們的受眾更加廣泛。

許多主播為了增加粉絲與影片傳播度，以“蹭熱點”的方式直接模仿、使用自帶流量與標籤、受眾覆蓋面廣的熱門內容和背景音樂。如此一來，熱門音樂被多次引用後更加火爆，“抖音神曲”隨之誕生，相似的節奏與旋律充斥著整個抖音平臺。困擾著像筱佳這類對背景音樂較為敏感且“觀看口味”較多元的使用者。

“這樣真的很煩，一直都是那幾首歌重複播放。短影片又不像音樂APP會顯示歌名，你不開啟聽，還不知道都是一樣的歌；一開啟就被演算法標記了，又把類似的影片推薦給我，簡直惡性迴圈。”筱佳不滿地說。

標籤一致的去前面

無獨有偶，若紜在音樂平臺上也有過類似的遭遇。被演算法“得知”她具有關注古風歌曲的習慣後，首頁的推薦歌單便總是出現曲風、唱腔類似的古風歌單，多次點選“換一批”也揮之不去。其中還包含多首她已收藏、下載的曲目，讓原本愛好古風歌曲的若紜徹底聽膩幾乎退圈。

“其實平臺要是推薦不同風格的古風歌倒還好，畢竟古風也分婉轉抒情的小曲、雄壯豪放的戰歌等許多不同型別。但推薦的歌單裡總是同一個型別的歌曲，聽多了就很容易膩。”若紜表示。

不同於短影片平臺流量為王的推薦方式，音樂APP主要是依照使用者偏好來進行歌單推薦。以QQ音樂的推薦系統RS（QQ Music Recommendation System）為例，RS會記錄每位使用者的聽歌行為資料，將其貼上標籤，進行統計分析，繪製出獨一無二的使用者畫像。

除了能單純依靠音樂平臺獲取的語言、歌手、流派等內容偏好；排行榜、歌單、本地歌曲等聽歌場景偏好；以及使用APP聽歌的時間段偏好之外，社交屬性標籤便是透過騰訊成熟的社交生態鏈，獲得使用者的年齡、性別、職業、所在地區等資訊。

相應的，平臺也會為所提供的音樂標記歌手訊息；音訊訊號特徵；點播量、下載量、收藏量、分享量等熱度資料；搖滾、爵士、藍調等音樂流派；音樂情緒以及演奏樂器等標籤。

為使用者和音樂分別繪製畫像後，根據各自的標籤，運用大資料統計分析，在使用者與歌曲間建立標籤向量、在不同使用者間建立偏好矩陣。藉由互相匹配音樂屬性，在龐大的歌曲資料庫中找到使用者比較可能會喜歡的那些音樂。

這樣一種基於使用者畫像的歌單推薦，本意雖然是依據使用者習慣與偏好，推薦更多使用者偏愛的曲風型別，從而增加使用體驗。但在像若紜這類使用者身上，卻反而有些“弄巧成拙”。

“現在我很少聽古風歌了，太膩了。寧願自己去搜索不同風格的歌單，改變演算法對我的印象。這樣能接觸到的歌曲型別更多，比較不容易聽膩。”

你想聽什麼，演算法說了算

雖然具體使用的演算法規則不同，但透過筱佳和若紜的經歷可以發現，即使現在的網際網路公司與多媒體平臺擁有先進的人工智慧大資料分析技術，能夠記錄並分析使用者使用習慣來推薦內容。但使用者的需求並非只有“個性化推薦”那麼單一，基於“使用者畫像”標籤的歌單推送，反而讓部份使用者追求不同的、更加具有差異化內容的需求卻越來越難被滿足。

在平臺內容更加多元，音樂歌曲傳播成本更低更便捷的今天，從某些角度來說，我們所能接觸到的音樂面或許反而更加狹窄。對於生活繁忙的現代人而言，在音樂平臺或短影片平臺自行搜尋、挑選觀賞內容的次數並不多。多半還是在開啟APP後，隨意選取平臺首頁的推薦歌單或影片。這些內容正是經由大資料演算法對我們層層分析之後所挑選的那部份。

即便使用者自行搜尋想聽的歌曲型別，在搜尋之前沒有聽過的曲目風格時，演算法仍會依據使用者畫像和標籤，找出匹配度較高的歌曲，再按照流量及熱門程度排序推薦。我們以為是自己“選擇”了要聽要看的內容，其實依然被演算法與流量所制約。這樣看來，在大資料時代，使用者聽歌看影片的自主選擇性可說是慢慢下降。

“現在就連網易雲上面都能時不時聽到抖音神曲了。”筱佳有些無奈地說。“我懷疑這些平臺是不是互通的啊?想好好聽歌怎麼變得這麼難?”

“可能爆款歌曲到哪都是爆款吧。像我曾經拉黑過之前很紅的盜將行，但是在QQ推薦的歌單裡還是偶爾會出現。難道對演算法來說，音樂本身的熱度比使用者喜好的加權更重?”若紜對此感到疑惑。

無論是短影片平臺還是音樂平臺的演算法，影片或歌曲本身的“熱度”都會影響被推薦的次數。從2018年開始，近半數的爆款歌曲是出自短影片平臺，而短影片平臺的演算法最為看重流量。

雖然短影片平臺為音樂提供了另一個有效的宣傳途徑，但藉助流量的加持與平臺演算法的主導，最終能被廣大使用者聽見的經常是一些“洗腦神曲”，或是流量粉絲持續刷榜“捧紅”的口水歌。這些歌曲的大量流通，在潛移默化中影響著市場的審美取向，最終形成使用者審美的單一化。

目前大眾對於主流音樂的審美取向的確具有明顯的特徵，從歌唱類綜藝節目歷屆決賽的歌手特徵與選曲就可看出。如《我是歌手》歷屆前三名中，林志炫、楊宗緯、韓磊、鄧紫棋、韓紅、李玟、張信哲、Jessie J、華晨宇、汪峰、劉歡、吳青峰、徐佳瑩、蕭敬騰等人的聲音都具有能飆高音或充滿爆發力的特點，其中大部份則是二者兼具。但在更早以前的星光大道和超級女聲等歌唱節目中，進入決賽的歌手個人聲音特色與風格還是各有不同、彼此間的差異更加顯著的。

演算法的本意是幫助我們在喜歡的音樂型別中，找到更多喜歡的歌曲。但在演算法根據流量決定歌曲推薦順序的同時，也遮蔽了另一些使用者想要嘗試接觸的音樂型別，即使使用者本身並未發覺自己有這樣的需求。

“或許有些人覺得這種推薦很方便找到喜歡的歌曲，但對於我這種聽歌比較雜，沒有固定型別還特別看心情的人，網易雲和QQ音樂的歌單推薦都不是特別準確。”音樂愛好者凱雅告訴筆者。“我還是比較懷念蝦米的隨機播放吧，至少感覺上是真的隨機，不像網易跟QQ的有固定風格型別。要不是蝦米的歌越來越少，我還會繼續用的。”

對於像筱佳、若紜、凱雅這樣的使用者而言，他們真正需要的或許不是“個性化推薦”所帶來的“推薦歌單”，而是選擇是否遮蔽個性化推薦的自由與自主選歌的權利。

(筱佳、若紜、凱雅皆為化名)