电影推荐：今晚看什么，这里给你答案

在过去两年里，我们统计过一组看起来有点反直觉的数据：站内被收藏最多的片单，并不是评分最高的那一份，也不是片目最多的那一份，而是一份只有十二部电影的、标题叫「下雨天最适合」的小众清单。它的平均评分只有八点一分，远低于站内高分榜的八点七，但它的收藏率是高分榜的三点四倍。这个结果促使我们重新思考一个问题——用户点开"电影推荐"这四个字的时候，究竟想要什么。

一、被忽略的变量：观看时的你

传统的电影推荐逻辑是围绕"电影"本身构建的：评分、导演、获奖、年代、国别。这套体系在影评网站上运转得很好，因为去影评网站的人，目标本来就是"了解一部电影"。但一个搜索"电影推荐"的人，目标恰恰相反——他不是想了解某部电影，他是想在不知道看什么的情况下，被给到一个答案。这两个场景的起点完全不同。

更关键的是，同一个人在不同状态下，对同一部电影的评价会截然不同。一部节奏缓慢、情绪克制的文艺片，在周六下午三点被打开，可能让人觉得沉闷；但在凌晨一点、房间只亮着一盏灯的时候被打开，就可能成为那年最难忘的观影体验。电影没有变，变的是观看时的你。而绝大多数推荐系统，都把"你"当成了一个恒定的常量。

所以我们做的第一件事，是把"观看时的状态"从隐性变量提升为显性维度。每一部片入库时，除了常规的类型、年份、时长、评分，还要标注三件事：它需要多少注意力、它会把人往哪个情绪方向带、以及它在什么时间点打开效果最好。这三项信息，后来成了站内搜索和筛选使用频率最高的字段。

二、把电影拆成可检索的情绪标签

情绪标签听起来很虚，但落地的时候必须足够具体，否则就会退化成"温馨""感人"这类谁都能贴、谁贴都不准的词。我们的做法是，把情绪拆成"观看前"和"观看后"两个阶段分别描述。观看前的情绪是用户主动寻求的，比如"想放空""想被激励""想哭一场"；观看后的情绪是电影留下的余味，比如"平静""怅然""想立刻给人打电话"。

这两个阶段经常对不上，而对不上的地方恰恰最有价值。比如有些电影观看前你想要的是"想笑一笑"，看完之后留下的却是长时间的沉默——这类片如果只标"喜剧"，就会严重误导。我们会在详情页明确写出来："它前半段确实好笑，但请做好准备，结尾不是。"这种提前告知，反而让它的满意度评分高于同类型平均值。

标签体系的另一个作用是反向筛选。我们给每一部片都加了一条"什么情况下别看它"的提示：如果你今天已经很累，别看这部；如果你正处在某段关系的低谷，这部可能让你更难受；如果你想找一部能边刷手机边看的片子，这部绝对不是。这条提示在最初上线时被内部质疑过，认为它会把用户劝退。但数据显示，带这条提示的片目，实际播放完成率比不带的高出将近两成。

三、片单的颗粒度决定它的可用性

很多人做片单，习惯往大了做：年度百佳、影史必看五十部、华语电影三十强。这类片单传播性很好，但可用性很差——用户看完之后依然不知道该看哪一部。原因很简单，颗粒度太粗。一份横跨六十年、涵盖十几个类型的百佳片单，里面真正符合"今晚这个我"的，可能只有两三部，而用户没有能力在几分钟内把这两三部挑出来。

我们后来把片单的规模整体压了下来，绝大多数控制在八到十五部之间，并且每一份片单都必须有一个足够具体的使用场景。"高分神作"这种标题我们尽量不用，取而代之的是"加班回家只想放空的九部片""适合和父母一起看的七部片""失恋第一周不要看的六部片"。标题越具体，点进去的人越少，但点进去的人留下来看完的比例越高。

这也解释了开头那份"下雨天"片单为什么收藏率那么高。它解决的不是一个泛泛的"看什么"问题，而是一个具体的、有画面感的、几乎每个人都会遇到的场景。当推荐足够贴近具体情境时，用户不需要做二次判断，直接就能行动。

四、推荐的本质是替人省下一次犹豫

回过头看，这个站点做的所有事情，其实都指向同一个目标：把用户从"滑动半小时什么都没点开"的状态里捞出来。片库大小、评分高低、专题数量，这些都是手段，不是目的。真正被用户记住的，往往是某一次"点开就对了"的体验。

所以我们从不过度追求收录数量。三千八百多部片目放在今天的影视站里算是很小的规模，但每一部都经过至少两人的实际观看与标注。我们宁可让某一类片暂时空缺，也不愿意用没看过的片子去填满一个分类。这种克制在早期让我们损失了不少流量，但换来的是更高的回访率——很多人会把它当成一个"可以信任的推荐源"，而不是一个碰运气的资源列表。

电影推荐这件事，说到底是在替别人做一次低成本的判断。这个判断不需要多么高深，但必须足够诚实：诚实地说出这部片需要多少耐心，诚实地承认它不适合所有人，诚实地告诉用户"今晚你可能更适合看另一部"。做到这三点，一份片单才算真正可用。

如果你读到这里，还没有决定今晚看什么，那不妨回到顶部，按你现在的心情挑一个分类。我们把它拆得足够细，总有一格是为你此刻准备的。