我一直在寻找偏僻的Twitch溪流，今天，一个朋友推荐了一个很棒的：一个在Twitch上修车的机修工(音频也出人意料地清晰。）今天我看了一会儿，他更换了起亚的变速器，起亚先前的变速器在高速公路上被什么东西打了个洞后被破坏了。这是我一直想在Twitch上找到的东西：用钥匙孔看别人的生活。我喜欢看人们做我永远做不到的事情。

去年夏天，我写了一篇关于我如何在Twitch上发现事物的文章；我说，这很难，因为在Twitch上拖网浏览大量的流光就像在没有任何向导的情况下浏览电视频道一样。从那时起，情况似乎有所好转。例如，在浏览菜单中有一种新的方式来组织流，现在您可以按“推荐给您的”进行排序，而不只是将类别从大多数观众组织到最少观众。左扶手也变得更有用了。现在，它似乎推荐与我已经关注和定期观看的人相似的、目前正在使用的彩带。

事实证明，这是许多艰苦工作的结果。前几天，我和产品经理兼Twitch观众体验团队负责人Tom Verrilli进行了交谈。他的工作是找出如何用彩带连接观众；他正在研究如何找到彩带，让观众更容易找到彩带。他说，问题有三个：首先，Twitch有无限的内容。其次，所有这些内容——所有这些人——都是活的。第三，渠道是人；它们不是可互换的装置。”Twitch的流媒体数量是任何视频平台电影、电视节目和单个内容的1000倍因此，很多人都经历过流媒体服务的“花30分钟找电影看”问题。正如他所指出的，互联网是一个“点播”平台，它主要运行在预先录制的即时可用内容上。但如果你还活着，问题就更严重了。

维里利给我举了一个例子，让我能够正确地看待问题。”他说：“如果你是那些每天八小时、每周七天工作的流光演员中的一员，你只有33%的时间是在平台上有人来找你的。”一个非常简单的比较点是，如果我三次搜索中有两次你不在，搜索引擎会是什么样子？我们所能说的是，是的，边缘是一个存在的东西，但是你不能阅读任何关于它的文章。这与我们大多数人使用互联网的方式大不相同，比如当我们感到无聊或有几分钟的休息时间时，很容易就能找到YouTube视频之类的线索，然后花一点时间观看。对那些活的东西来说就不是这样了。

Verrilli说：“当你在准备好的时候，在正确的时刻偶然发现了适合你的频道和社区时，就会发生这种美丽的意外。”我的团队的工作是尝试机械地创造几亿次的意外惊喜。“他们几年前才从零开始，他说，但现在开始富有成效。他说：“因为他们的推荐而观看的视频的比例比去年上升了700%左右。”我们开始向拖缆和观众证明，我们可以帮助他们在正确的时间找到彼此。但我们还有很长的路要走。”

为了向像你这样的观众推荐，Twitch使用了一种机器学习形式，让机器自己计算出观众感兴趣的内容。Verrilli的团队将该系统指向流的某些“特征”，比如观众的健谈程度，人工智能决定了它对观众的重要性。以聊天速度为例。”人们多久在你正在收看的频道聊天一次？然后我们不去告诉模特们他们应该考虑一个人的聊天速度，”他说。但模型明白，有些人正在观看非常健谈的频道，并且喜欢它；有些则不然。然后将频道分为健谈频道和不健谈频道，并且可以将其作为众多输入之一，以确定在您到达时提出的建议是否正确。”（他们必须帮助模型理解的另一件事是时间的概念，因为推荐一个几乎完成的流或一个在推荐时从未在线的流不是很有帮助。）

这可能很可怕。在包括Twitch在内的大多数平台上，推荐会推动增长，并可能使一个频道在另一个频道上爆炸。然而，就Twitch而言，Verrilli向我保证，新的推荐系统比旧的推荐系统更公平。”从概念上讲，从历史上看，我们的发现形式是最不公平的，总是按大小排列。这意味着，如果你是顶级人才，那就太棒了，而且对于那些不是顶级人才的人来说，这会越来越难，”他说在过去的两年里，他的团队一直在努力，然而，Verrilli说，增长不成比例地流向了Twitch较小的社区。他说，大公司仍在增长，“但建议让我们有能力确保每个人都有更公平的结果。”