流浪动物|你在互联网平台的「喜欢」与「不喜欢」正在悄悄影响整个社会( 二 ) 电动汽车|零部件|鸿海精密

文章插图
推荐-增强回路
今日头条的CEO张一鸣说：“我们不需要主编，有主编就会有倾向性，我们把分发交给算法，用户喜欢什么，我们就推给用户什么。我们不干预用户的喜好。”
对于算法来说，每次互动都是完善模型的有效数据，用户使用得越频繁，推荐的内容就越准确。在极致的情况下，有可能推荐的内容100%都是用户喜欢的。但这种由智能推荐来决定分发信息的方式，最终会使得相近群体的用户无限「趋同」，这个趋同不仅体现在所获取的信息上，还有被信息长时间影响下的思维和价值观念。
算法的设计逻辑是以无限满足人性偏好为标准，当然也包括人性的各种阴暗面都被激活并满足。与此同时，对于一些真正有价值的内容，会被彻底淹没。好比，大街上有位哲学家在演讲，旁边有两个女人在打架，你更愿意去看哪个？
算法实际上垄断了数据的收集和构建方式，以海量的信息构建一个框架，引领和影响众人的决策以及偏好。这种力量如果不加规范，没有任何约束，后果堪忧。如果有一天算法被利用，一而再，再而三给人们推送虚假的信息，那些被算法捆绑的用户，是否能分辨、从而摆脱算法呢？
事实上，这种任由智能推荐发展起来的互联网理想国，我认为急需得当的人为干预，而这种干预要能代表社会的正向价值观。此外，为了避免极端的马太效应，热门的内容越来越热门，冷门的内容越来越冷门。还需有效机制，让分发的内容避免趋同的前提下，带有正向价值观的偏见。

文章插图
推荐-惊喜机制
对于用户而言，就算再喜欢某些内容，也不会只喜欢这类型内容。对于产品推荐的内容，需要在用户喜欢的基础之上，借助人为干预超越已知期望探索「惊喜」。
在协同过滤个性化推荐产生推荐列表的机制下，由于用户评分矩阵极端稀疏等原因，有学者提出了一种基于惊喜度的协同过滤改进算法，算法对于用户的惊喜值、奖励优质项目的贡献、惩罚流行项目的比重，对相似度计算公式进行改进，生成更加合理的邻居用户集，充分权衡推荐内容的惊喜度与准确度。
三、信息茧房的微光最早在2001年，哈佛大学Cass Sunstein教授在《信息乌托邦-众人如何生产知识》一书中提出，人类社会存在一种“信息茧房”现象。他认为在信息爆炸的互联网时代，人们更倾向于只接受自己感兴趣的信息，长期的信息偏食无异于作茧自缚，久而久之接触的信息就越来越局限，人就像被桎梏在“信息茧房”内，失去对其他不同事物的了解能力和接触机会。
在这个时代看似每个人都可以随意获取信息，事实上却是一个信息牢笼，你以为你想看到的，是别人刻意给你看到的。以为什么都能看见，却越什么都看不见。

文章插图
负反馈的连锁反应
在前面讨论智能推荐的信息分发，让用户只看到他想看的内容。对于「不喜欢」的内容，系统会根据用户的喜好，减少个性化的推荐，甚至不推荐。「不喜欢」一般来说在算法中的影响是局部的，受到影响的只是单个用户。但了解过推荐系统智能推荐背后“近邻”的逻辑后，你还会认为你的「不喜欢」只是个人行为吗？
对于推荐列表的内容，面对单个用户标记「不喜欢」，并不会对内容的展现有太多的影响。但是多个用户都标记了呢，事实上，在这样的情况下，系统会自动判定为“劣质内容”，在平台算法周期性更新后，此内容将永远不会获得系统的推荐，也就是永远被淹没在信息的海洋。