简析互联网信息推荐算法

早在勒庞的时代，善于煽动引发传播就已经是公开的秘密。但是在今天、基于大数据的情绪驱动让一切变得套路化、标准化甚至科学化。

我们正在迎来一个越发偏激的时代，网络上、生活中戾气横行。

曾几何时，当移动互联网和信息革命以摧枯拉朽之势席卷全球时，田园诗一般的浪漫氛围曾经四处飘扬。人们满心以为，信息网络将彻底打破人与人之间的信息不对称，地球变得扁平，世界变得透明，贫富分化终将逆转，各个民族和阶层有更多的机会对话沟通和解。

然而现实无情击碎了人们的幻梦。仅以财富这一项看，在互联网时代的20年里，全球贫富分化加剧，仅以美国为例，根据《彭博》报道，前1%的富豪财富接近前90%精英阶层的总和。放到全球的范围，仅2017年，1%的富人就占有了82%的财富。

马修.杰克逊曾在《人类网络》一书中指出，决定人与人不同阶层和财富走向的核心有两个：一是信息，二是机会（资源）。

那么，在信息高度透明扁平的今天，为何人类的偏激和分化却更加严重了？

有一个说法是“信息茧房”。

2001年，美国法学家凯斯.桑斯坦在《网络共和国》一书中曾经提出：互联网时代，人们面对海量剧增的信息，会倾向于从中选择符合自己喜好的加以吸收，结果每个人摄取的内容越来越狭隘，一步步滑入信息茧房。

比信息茧房更加激进的说法是“网络巴尔干化”，1996年美国学者埃尔斯泰恩和布林约夫森提出，网络上的信息越来越多，人们喜欢的东西尚且看不过来，因此不会因为互联网更加开放开明，反而会更加封闭极端。

两个假说都指向了一点：信息的透明开放未必全都是好事，因为这样一来信息爆炸了、信息太多了、真假信息难辨，人们根本就看不过来了。

尽管信息透明开放带来了一种公平，但是人们“处理信息的能力和精力”参差不齐，这带来了新的不对等。

于是新的矛盾似乎产生了。人们把指向头条、淘宝这样的“算法推荐”平台，他们说：这些App基于某某算法对人做各种深度学习、大数据分析，后推荐的都是人们感兴趣的内容，这不是标准的“信息茧房”吗？

这个说法看起来很简单，也很粗暴，大的问题在于“看轻了算法”。

“算法推荐就是，我看到时尚、旅游、宠物的内容，停留的久，点了赞，结果以后平台给我推荐的都是时尚、旅游、宠物了。”他们总是这样说。

但这只是基于“内容特点”的推荐，是一种基础、表层的算法。如果仅仅只是这么简单粗暴，那么这些公司很容易就会走入兴趣的坑里，面临两大困局：

人是丰富多元的，每个人的兴趣偏好都是多样的。你随便问一个人他的爱好是什么，他自己可能也很难准确表述自己的兴趣构成。

人们的兴趣又是善变的，新的兴趣点随时可能涌现，而一些感兴趣的内容因为过度消费反而可能突然“腻味不感冒”了，从此边际效益递减。

就好像，天天在网上看萌宠，没准哪天就忽然不想看了，再看也不萌了。

事实上，无论头条、阿里，还是国外的脸书、谷歌，采用的算法维度都没这么简单。

一个成熟的算法推荐系统，至少需要考虑五个维度。

一是算法模型。

常见的有协同过滤算法、监督学习算法Logistic Regression、深度学习、Factorization Machine、GBDT五种模型。

比如协同过滤模型，系统不断分析用户大概是怎样的人，然后进一步找到和他相似属性的人，根据这一类人的兴趣爱好进行推荐，把相似的内容推荐给臭味相投的人。也就是说，决定推荐的，不仅是看你一个人今天点赞了什么，更要看和你相似的人们喜欢什么。

以一个“人群”为基数进行海量持续分析，不断迭代优化，还会陷入信息茧房吗？

二是内容分析。

比如一篇文章的语义特征（关键词、Topic、实体词）、文本相似性特征、时空特征。

三是用户标签。

除了用户的兴趣、聚类、性别、年龄、地点等身份特征，还要围绕用户行为做好数据处理策略，比如过滤噪声、热点惩罚、时间衰减、惩罚展现。

四是结果评估。

如何兼顾短期和长期指标，如何兼顾用户指标和生态指标，如何通过ABtest实验持续优化推荐结果？

五是安全规范。

比如电商平台的反黄与合规，比如内容平台的ugc内容审核、风险内容识别技术（鉴黄、反谩骂及低俗）、泛低质内容识别（假新闻、洗稿、标题党等）。

可见，真正的算法推荐系统远比“喜欢看蛋糕推荐蛋糕”要复杂得多，也深入得多、智能得多。

把锅甩给技术和算法从来都是简单不费力的方法，只不过这样一来人们就会拒绝更深入的反思和改变。

美国明尼苏达大学计算机系专门进行了实验，让两组人同时在协同过滤算法推荐的平台上获取内容：一组人对推荐结果进行“跟随”，一组人对推荐结果毫不理会。

实验结果和一般的认知完全相反：综合21个月的数据，跟随组获得的信息更加丰富多元，不理会算法推荐的一组，视野反而更加狭窄了。

前几天今日头条的CEO朱文佳在生机大会上说，头条要做的就是通用信息平台，通过推荐、关注、搜索来分发图文、视频、音频、问答等各种信息内容，这种内容和分发手段的多元组合不仅不会带来信息茧房，还会带来一个“更大的世界”。

他说的可能是大实话，就像前面所说，如果头条们做的仅仅是“喜欢看萌宠就推荐萌宠”这种粗浅的推荐，那么一定会无法解决人们兴趣的多元、兴趣的善变和兴趣满足的阈值提升。

君子不立于危墙之下，如果不对人们进行更加深度的算法学习，今日头条根本不可能有今天。

事实上，喜欢筛选感兴趣的内容本来就是人类的习惯，是天性和本能。

试想，无论读书看报，还是逛书店、看电视，你是不是首先都要找自己感兴趣的？即便早期的网站，是不是也有主题和版块，方便你去筛选？

算法推荐只是加速了这一进程，让人们面对海量信息时、筛选感兴趣的内容更加简单高效。

前面说过，信息的爆炸带来了新的马太效应，在信息处理能力和精力上优裕的人变得更有优势。从这个角度说，算法推荐不仅不是造成分化的关键，反而是一种效率提升手段，帮助能力精力上并不占优的人弥补不足、提升效率，为什么反而要背锅呢？

每一次探讨人类的“偏激化”和“选择性认知”，我们都必须厘清一个概念，兴趣和态度。

兴趣并不会让人偏激，只有对某件事情的态度、观点和立场持续强化，变得封闭极端，人们才真正开始偏激起来。比如说：你的兴趣可能是足球，你的态度可能是对中国男足很不喜欢，如果这个情绪不断强化变成切齿痛恨了，你是不是就偏激了？

从这个角度说，算法推荐只能推荐你“感兴趣”的内容，却并不能了解你的“态度、观点和立场”，推荐你“喜欢拥护”的内容。

算法推荐可能知道你对智能手机感兴趣，会给你推荐锤子的内容，却并不知道你打心眼里不喜欢罗永浩，所以锤粉锤黑锤中立的东西都一股脑儿过来了。

算法推荐可能知道你对健康非常关注，会给你推荐医疗领域的消息，但并不知道你对中医或者西医的态度，所以它都会推荐。

分化裂化的罪魁祸首不是算法推荐，因为真正导致分裂的不是兴趣，而是人们在同一兴趣中不同的态度和立场被不断强化。

这就是常说的网络回音室原理，对于同一问题，人们总是喜欢听到和自己相似的观点，过滤相反的观点，后接收到的就像是自己的回音一样。

是什么在催生网络的回音室？如果算法推荐并不会带来信息茧房，究竟是什么在带来信息的“偏食”和情绪的偏激？而我们，又该如何应对和破解？

一个答案可能是“单一”。

单一的信息获取渠道、单一的信息沟通模式是问题的根源。

无论是只在网站看编辑置顶，还是只在朋友圈看别人转发的文字，亦或者只关注大V的分享，甚至只听凭算法的推荐……只要一个用户、他对某一信息获取和沟通模式形成“路径依赖”，那么视野就可能渐渐变窄。

其实，每一种信息分发方式都有其独有价值，编辑分发带来的是“你应该知道的”，搜索带来“你想知道的”，推荐带来“你可能感兴趣的”，关注带来“你关心的人的动态”。

每一种分发方式都不可或缺，只有丰富多元的信息获取组合，搜索、关注、算法、熟人和陌生人整合起来，才能避免信息的偏食，这可能也是大平台们正在试图成为“综合化”的原因。

谷歌、百度不仅做搜索引擎，还在搜索结果之外加入内容推荐；微博在单纯的关注流和热搜之外，增加智能推荐和视频；头条则是算法推荐、要闻热文、大V关注、搜索多合一。

只有整合足够丰富的信息分发模式，甚至成为通用信息分发平台，才能从根本上避免信息茧房，进而全方面、智能化地了解用户、满足其信息需求。今日头条所说的“一横一竖”，也恰恰是围绕这方面来演化的。

另一个答案可能是“孤独”。

近几年社交衰退，人们正在从社会性动物，变成孤独型生物。

（编辑：好传媒网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!