有人說智能推薦是一個(gè)偉大創(chuàng)造，是信息時(shí)代必不可少的工具。但與此同時(shí)，有人急切的想要拒絕智能推薦，認(rèn)為這種追蹤是對(duì)個(gè)人隱私的侵犯，也有人認(rèn)為智能推薦會(huì)使我們獲取的信息越來越狹窄、越來越片面從而走進(jìn)信息繭房。

事實(shí)真的是他們所擔(dān)心的那樣嗎？答案是并非如此。那些帶來此類問題的推薦系統(tǒng)，是無法真正稱之為“智能”的。而成熟的智能推薦系統(tǒng)是可以成功避免這些弊端的。

那么智能推薦究竟是如何實(shí)現(xiàn)的？它的運(yùn)算過程中是否涉及了我們的姓名、電話、身份信息等個(gè)人隱私呢？

我們首先從它背后所需的數(shù)據(jù)看起

一、智能推薦所需數(shù)據(jù)有哪些

（1）物料類數(shù)據(jù)：內(nèi)容的文本類數(shù)據(jù)，如內(nèi)容的標(biāo)題、正文、作者、內(nèi)容來源、標(biāo)簽或關(guān)鍵詞、分類（如時(shí)政、健康、娛樂等）、發(fā)布時(shí)間等，在電商場(chǎng)景的話還可能會(huì)有價(jià)格、商品屬性、商品復(fù)購周期等。

（2）用戶類數(shù)據(jù)：地理位置數(shù)據(jù)：經(jīng)緯度坐標(biāo)；特定場(chǎng)景下的靜態(tài)身份數(shù)據(jù)：崗位、專業(yè)、技能等業(yè)務(wù)場(chǎng)景下才會(huì)需要到的身份數(shù)據(jù)。

（3）用戶行為數(shù)據(jù)：包含了用戶對(duì)內(nèi)容發(fā)生的行為如點(diǎn)擊、分享、點(diǎn)贊、收藏、加入購物車、瀏覽時(shí)長、播放完畢等根據(jù)業(yè)務(wù)場(chǎng)景制定的能反映出用戶興趣的數(shù)據(jù)，也包含了用戶發(fā)生行為的時(shí)間即用戶點(diǎn)擊這條內(nèi)容是在什么時(shí)間，用戶瀏覽10s是在什么時(shí)間。

二、智能推薦是如何采集數(shù)據(jù)的

物料類數(shù)據(jù)、用戶類數(shù)據(jù)通過數(shù)據(jù)庫到數(shù)據(jù)庫的方式便可完成上報(bào)，而用戶行為數(shù)據(jù)則需要進(jìn)行行為的埋點(diǎn)才可以實(shí)現(xiàn)收集和挖掘。埋點(diǎn)就像公路上的攝像頭，可以采集到車輛的屬性信息，如顏色、車牌號(hào)、車型、人臉等。如果攝像頭分布處于理想狀態(tài)，那么通過疊加不同位置的攝像頭所采集的信息，基本可以還原出某一輛車的路徑、目的地甚至推測(cè)出司機(jī)是否是老司機(jī)，司機(jī)的駕駛習(xí)慣是怎樣等。

從智能推薦所需要的數(shù)據(jù)以及采集數(shù)據(jù)的過程，我們不難發(fā)現(xiàn)我們的個(gè)人隱私并不是它涉及到的部分，它所需要的更多的是我們的行為數(shù)據(jù)。

其次，一個(gè)成熟的推薦系統(tǒng)應(yīng)當(dāng)具備哪些條件呢，它會(huì)使我們進(jìn)入信息繭房嗎？

信息繭房概念是由哈佛大學(xué)法學(xué)院教授、奧巴馬總統(tǒng)的法律顧問凱斯·桑斯坦在其2006年出版的著作《信息烏托邦——眾人如何生產(chǎn)知識(shí)》中提出的。通過對(duì)互聯(lián)網(wǎng)的考察，桑斯坦指出，在信息傳播中，因公眾自身的信息需求并非全方位的，公眾只注意自己選擇的東西和使自己愉悅的通訊領(lǐng)域，久而久之，會(huì)將自身桎梏于像蠶繭一般的“繭房”中。

如今的推薦系統(tǒng)早已能夠避免這個(gè)問題。它們擁有更加成熟的算法策略，更加全面的行為數(shù)據(jù)采集，以及為用戶提供的更多選擇。

內(nèi)容分發(fā)，往往被看作是用戶對(duì)內(nèi)容的被動(dòng)接受，但其實(shí)平臺(tái)給了用戶很大的主動(dòng)選擇權(quán)，這些選擇權(quán)就體現(xiàn)在用戶對(duì)內(nèi)容的搜索、瀏覽、停留、關(guān)注、收藏、評(píng)論和轉(zhuǎn)發(fā)等行為上，機(jī)器通過這些行為讀懂了你的選擇，所以才產(chǎn)生了內(nèi)容的個(gè)性化推薦。

智能推薦算法經(jīng)過不斷發(fā)展，已從單一的興趣推薦發(fā)展到拓展用戶的興趣認(rèn)知的層面上了，也就是說在縱向深化我們興趣點(diǎn)的同時(shí)，也在通過內(nèi)容和用戶的交叉算法來橫向引導(dǎo)拓寬我們的興趣面。

編輯朋友們給我舉過一些例子，用戶在某平臺(tái)上看了幾篇“美國對(duì)中國加征關(guān)稅”的新聞，看完后發(fā)現(xiàn)信息流中推薦了大量的加征關(guān)稅的新聞，而用戶其實(shí)想看的是國內(nèi)經(jīng)濟(jì)發(fā)展的狀況。以此來說明，智能推薦會(huì)推薦大量重復(fù)的新聞，并且限制了用戶的視野。

推薦在資訊軟件里有不同的應(yīng)用場(chǎng)景，比如信息流推薦、文章詳情相關(guān)推薦、搜索的個(gè)性化詞云等等，如果大量相似的文章被分發(fā)到相關(guān)推薦中，那肯定是沒問題的，但如果僅僅是依靠文本語義的相似在信息流的主路徑中被反復(fù)推薦，那么這套推薦機(jī)制我們并不認(rèn)為它屬于“智能推薦”。成熟的智能推薦底層算法中，一定有針對(duì)于內(nèi)容多樣性的考慮與設(shè)計(jì)。

在目前的智能推薦中便針對(duì)于推薦的多樣性設(shè)計(jì)了5套推薦策略：

1.用戶協(xié)同引擎：即尋找與當(dāng)前用戶最相似用戶群體所感興趣的內(nèi)容，相似用戶群體數(shù)量的多少與用戶歷史數(shù)據(jù)的積累直接影響到了協(xié)同引擎所推薦的內(nèi)容，意在通過用戶關(guān)系發(fā)現(xiàn)用戶沒有意識(shí)到的自己可能會(huì)喜歡的內(nèi)容。

2.地域引擎：即當(dāng)前用戶所屬的地域內(nèi)容會(huì)被推薦至信息流中，而地域范圍的粒度也可控制在城市區(qū)縣的級(jí)別。

3.熱門引擎：即此時(shí)此刻全網(wǎng)中最受關(guān)注的熱門新聞，注重于新聞的時(shí)效性和熱門性。

4.興趣引擎：即通過捕捉用戶當(dāng)前與歷史的瀏覽習(xí)慣，在用戶興趣范圍之內(nèi)，發(fā)掘那些長尾和個(gè)性化的內(nèi)容。

5.規(guī)則引擎：即資訊運(yùn)營者（如編輯）主觀意愿上甄選的優(yōu)質(zhì)或者價(jià)值觀引導(dǎo)的內(nèi)容。

針對(duì)文章的相關(guān)推薦不是簡單粗暴的只是語義層面上的相關(guān)，而是基于物品的協(xié)同過濾算法，即“看過此篇新聞的用戶還看過哪篇新聞”的算法也通過計(jì)算看過此文章的用戶群體的共同特征，推薦出當(dāng)前用戶大概率上還有可能會(huì)感興趣的新聞進(jìn)行興趣的擴(kuò)散。

同時(shí)，用戶的實(shí)時(shí)行為反饋也會(huì)作為推薦引擎的“燃料”源源不斷的參與到算法引擎的計(jì)算當(dāng)中。除了我們所熟知的用戶的顯性的行為表達(dá)（如點(diǎn)擊“我不喜歡”）之外，推薦引擎還實(shí)時(shí)收集著用戶的隱性行為表達(dá)，而這些隱性的行為恰巧是用戶最自然、最真實(shí)的對(duì)于所推薦內(nèi)容的態(tài)度表達(dá)。

對(duì)于成熟的智能推薦來說，以上的算法策略和推薦機(jī)制都同時(shí)存在并將多樣性的努力反饋給用戶。如果用戶在使用智能推薦時(shí)發(fā)現(xiàn)大量的內(nèi)容并不適合或者體驗(yàn)很差，那么很可能是算法策略中的權(quán)重參數(shù)配比出了問題，或者是這套智能推薦還不夠成熟，當(dāng)然也就不夠“智能”了。

誠如上文所示，智能推薦系統(tǒng)其實(shí)是運(yùn)用用戶的基本信息及他們最平常的行為數(shù)據(jù)，通過協(xié)同過濾算法、文本語義算法及權(quán)重召回體系等方式運(yùn)算并推薦用戶最有可能感興趣的內(nèi)容。智能推薦系統(tǒng)是在信息爆炸的時(shí)代背景下，為了解決人們難以獲取有效信息的問題而產(chǎn)生的“工具”，既然作為工具，如文章開頭所言，是我們塑造了它，也同樣是會(huì)在某些方面被其塑造的。

但重要的是，無論今天智能推薦的應(yīng)用多么廣泛，獲取信息的主動(dòng)權(quán)是從未離開過我們的手掌的。智能推薦的任務(wù)是使我們更加便捷的獲取有效信息，而并非主宰我們獲取的所有信息。

作者：艾克斯智能

鏈接：https://www.zhihu.com/question/392720139/answer/1211097139

來源：知乎