或搜索来寻找剧集，而非纯粹算法无差别地信息流推送。

即便号称算法见长的奈飞，其首页仍是精心排列的内容分类和热点，而非像抖音那样让用户被动刷到下一部剧。

长剧内容消费更中心化——热门剧放在首页轮播，观众也常由站外口碑（微博热议、豆瓣评分等）决策观看。

由于单部长剧动辄40分钟一集、总时长数十小时，用户观影成本高。

因此长视频平台获取的交互数据远少于短视频，算法抓手有限，两者完全不在一个量级。

这直接导致算法在长剧中的作用远不如短剧显著：长视频平台至今没有诞生类似抖音那样纯算法驱动的产品，主要消费模式还是靠内容本身吸引力和用户自主选择。

字节跳动纵横信息分发领域，却迟迟未能在长视频上复制抖音的奇迹，正是因为长剧与算法推荐的契合度先天不足。

换句话说，短剧的推荐算法更像一台高转速发动机：依赖海量的用户行为数据作为燃料，快速试错、迅速迭代，秒针般捕捉用户兴趣。

而长剧的推荐更像人工把关的慢工：内容体量大而精，产出有限，平台更倾向于用人工运营和用户口碑来驱动分发，算法退居辅助地位。

短视频平台上是算法挑选用户，长视频平台上则是用户筛选内容——两种框架的差异，注定了短剧与长剧在算法世界里的不同命运。

长视频平台的算法，偏后期反馈。

国内的长视频平台的用户画像，全都是垃圾。

都搁那研究广告，研究饭圈，研究噱头，研究炒CP，研究卖周边，研究欺上瞒下……

李明洋花费巨资在戛纳买了那么多片子，就是为了收集资料。

用户特征，如年龄，性别，地域。

内容特征，如影片类型、导演、演员、剧情简介。

以及用户与内容的交互特征。如观看市场、评分高低等。

这些都是长视频算法最需要的。

奈飞为什么用户画像那么牛逼，可以精准自制。

靠的就是DVD租赁服务，衍生出来的Cinematch排序算法！

该算法根据用户的租赁历史及影片评分，为用户提供个性化的电影建议，并创建潜在兴趣影片的“列表”。

Cinematch排序算法是03年的