推薦演算法的“前世今生”

演算法分發是未來之物，它是資訊過載時代智慧分發的產物；演算法分發或也終將成為過去之物，因為下一代技術的發展永遠可以突破當代人的想象，就像宋朝人無法想象移動網際網路。

演算法分發、編輯分發、社交分發……在資訊時代，人們常常討論資訊分發問題，相關概念也成為大熱名詞。

但事實上，資訊資源一直在人類的進化和發展中佔據著重要位置。社交分發是最古老的分發方式，編輯分發也比我們想象得更早。

而當我們把演算法分發置於人類社會資訊分發的歷史長河中，便能清楚地看到它的“前”與“後”——從這個角度來看，新鮮的演算法推薦，其實也不新鮮。

亙古的資訊分發問題

資訊分發，是一個亙古問題。

不妨從一個有趣的聯想開始：在人類文明早期，群居的祖先們依靠採集和狩獵生存。由於狩獵是一個非常危險的技術活，人們需要交流狩獵作戰的資訊和經驗，來提高成功率。

比如，獵物出現時用什麼訊號召集同伴？從什麼位置伏擊猛獸效果更好？他們透過手勢和發聲，把這些重要資訊分發給同伴——這便是“社交分發”，人類社會最原始的資訊分發方式。

“知”（甲骨文）：

甲骨文的“知”就表示談論和傳授行獵、作戰的經驗。

社交分發的意思是基於社交關係的直接和自然的分發。《人類簡史》用“八卦”來描述這種資訊交流，指出八卦對人類進化的重要作用。

另一種自古就有的資訊分發形式，則是編輯分發。雖然英文“edit”一詞的出現和報紙相關，可這種分發形式早已有之。

在口傳時代，由古希臘盲詩人荷馬蒐集、整理而成的“荷馬史詩”（《伊利亞特》和《奧德賽》）就是典型例子。漢語將“編輯”解釋為“收集資料，整理成書”。去其形，取其義，這種資訊分發的根本特徵是：資訊經過整理後分發至接受者，有加工和把關的意涵。

無論社交分發，還是編輯分發，它們都已經歷史悠久。只是承載這些分發方式的具體媒介在不斷更新和變化，也給這些分發方式帶來了新的可能。

比如，網際網路透過對社交關係的限制（地域、血緣等）突破，在某種程度上實現了跨區域的社交聯結，也讓社交分發的範圍從家庭、線下社群，轉向更廣的興趣群體。

進入網際網路時代，科學家和工程師都在努力解決資訊過載環境下的分發問題，早期兩種代表性的解決方案是分類目錄和搜尋引擎——前者，透過人工編輯把知名網站分門別類，讓使用者根據類別來查詢網站，典型如雅虎、Hao123等；後者，讓使用者透過搜尋關鍵詞找到所需資訊，解決了分類目錄的有限覆蓋問題，典型如谷歌、百度等。

實際上，這兩種解決方案的思路並不新鮮，很大程度上可以分別對應圖書館的分類館藏和百科全書的條目索引。

縱觀整個歷史長河，我們不難發現： 資訊環境是變化的，解決方案是具體的，但資訊分發的需求和方式卻是相通的。它們都在回答一個問題——如何有效地連線人和資訊。

推薦演算法：熟悉的新朋友

演算法分發的出現和普遍應用，意味著人類開始運用機器大規模地解決資訊分發問題，人類社會資訊分發的動力從人力轉向了部分自動化——從“人找資訊”，到“資訊找人”。

站在人類社會資訊分發的長河中看，演算法分發雖然是一個新鮮事物，但它的使命和根基卻是熟悉的。從這個切口去思考，不難回答為什麼這個時代誕生了推薦演算法：

第一，新的資訊環境和人類的資訊需求動力，呼喚一種新的資訊分發解決方案。

面對資訊過載的環境和碎片化的資訊消費場景，如何從大量資訊中找到自己感興趣的資訊，是一件非常困難的事情。作為重要工具的搜尋引擎，可以部分滿足人們的需求，但最適用於需求明確的場景。如果使用者無法準確描述自己的資訊搜尋需求，甚至對自己的需求都不充分了解呢？

這意味著，我們需要一個能夠主動根據我們的興趣和需求來分發資訊的方案。早在1995年出版的《數字化生存》（Being Digital）中，尼古拉·尼葛洛龐帝便提出“我的日報”（The Daily Me），認為線上新聞將使受眾主動選擇自己感興趣的內容，預言未來資訊的個人化。

在當時，這種設想可能被認為是“白日做夢”。因為個體之間自然有差異，而為了社會的總體效率，人們總是儘可能尋找資訊的“公約數”。

隨著技術的發展，推薦系統的出現給人類的資訊分發帶來了一種可能：人們不用每次都提供明確的需求，而是透過為不同個體的資訊需求建模，從而主動推薦能夠滿足他們興趣和需求的資訊。

第二，資訊科技的發展，為個性化推薦系統的出現提供了物質條件。

• 一方面，移動網際網路發展，每個人都是一個終端，這使得資訊的分發能夠低成本定位到不同的個體使用者。
• 另一方面，AI技術的成熟和硬體資源的進化，為個性化推薦提供了技術實現路徑：機器學習模型的應用，深度學習的快速發展等，提供了有力的演算法工具；而大規模分散式機器學習框架的出現、GPU對深度學習的加速能力得到普遍驗證、專用深度學習晶片的出現（TPU、寒武紀），又提供了另一層保障。

1994 年美國明尼蘇達大學GroupLens研究組推出第一個自動化推薦系統 GroupLens（1），提出了將協同過濾作為推薦系統的重要技術，也是最早的自動化協同過濾推薦系統之一。

1998年亞馬遜（Amazon.com）上線了基於物品的協同過濾演算法，將推薦系統推向服務千萬級使用者和處理百萬級商品的規模，並能產生質量良好的推薦。

2006 年10月，北美線上影片服務提供商 Netflix 開始舉辦著名的Netflix Prize推薦系統比賽。參賽者如能將其推薦演算法的預測準確度提升10%，可獲得100萬美元獎金。參賽的研究人員提出了若干推薦演算法，大大提高推薦準確度，極大地推動了推薦系統的發展。

2016年，YouTube發表論文（2），將深度神經網路應用推薦系統中，實現了從大規模可選的推薦內容中找到最有可能的推薦結果。

自第一個推薦系統誕生，至今已有二十多年。現在，演算法推薦的思路和應用，已經深入到很多網際網路應用中。

比如，內容分發平臺的個性化閱讀（今日頭條、抖音等）、搜尋引擎的結果排序（谷歌、百度等）、電商的個性化推薦（亞馬遜、淘寶等）、音影片網站的內容推薦（如Netflix、YouTube等）、社交網站的（Facebook、微博、豆瓣等），等等。

根據第三方監測機構“易觀”釋出的《2016中國移動資訊資訊分發市場研究專題報告》：2016年，在資訊資訊分發市場上，演算法推送的內容將超過50%。到今年，這個比重想必更大。

如今，人們探討演算法分發的價值，最常提到的是提高了資訊分發的效率，它表現在：解放了部分人力，同時突破了人力對資訊分發造成的限制，實現長尾內容的有效分發，從而更高效地完成人和資訊的匹配。

然而，還有一層意義較少有人觸及：透過演算法實現的個性化推薦，真正關注和理解個體。每一個個體都是一個意義不同的“終端”，而不是永遠將個體置於群體中去總體理解。也即尼葛洛龐帝所言的“在數字化生存的情況下，我就是‘我’，不再是人口統計學中的一個‘子集’。”——這也是“personal”（個性化）中“person”的意涵所在。

人性面前，演算法有更多可能

演算法為人智慧地匹配資訊，但它推薦的依據還是在於人。

即便推薦演算法發展得更加成熟，人們在和演算法的日常相處中，也難免會有一些困惑：有時，希望演算法再“聰明”、更理解自己一些；有時，並不想老關注自己感興趣的內容，也想看看公共熱點；還有時，會猜想自己除了這些需求之外，會不會也有其他的潛在興趣？……

今天，對內容推薦的批評聲音中，包括讓視野窄化、資訊低俗化、人的邊緣化等——這些聲音從根本上折射出人類永恆關注的問題：資訊的寬度和高度，以及人的主體性。面對這些追問，也許轉而用一種整體的和發展的視角，更有利於我們去理解問題。

首先，演算法推薦是重要的，但它並非全部。人類有多種資訊需求場景，不同的資訊分發方式和工具在互相配合來滿足使用者的需求。這些分發方式的具體工具，或許在不同階段此消彼長，但本質上並沒有完全取代對方。

舉個簡單的例子：假設一個初級電影愛好者想在週末看一部電影，會有幾種可能？

如果他今天想看庫布里克的作品，他可能直接開啟搜尋框，搜尋“庫布里克”導演，看看他導演的作品還有哪些自己沒看過；如果他自己沒有特定的想法，便可能開啟個性化推薦的APP，在熟悉自己喜好的資訊流中，刷一刷看有沒有感興趣的電影；當然，如果他運氣好，微信加了一個電影發燒友，也可以直接請對方推薦幾部。

從這個例子中，可以看到：搜尋引擎滿足了使用者有明確目的時的主動查詢需求；而推薦系統能夠在使用者沒有明確目的的時候，幫助他們發現感興趣的新內容——從這個意義上看，“推薦”和“搜尋”實際上是滿足人們不同需求的兩個互補的工具。

當個性化推薦應用發展迅速的時候，人們可能會不由自主地假設它佔據自己的全部資訊場景；然而，在現實情況裡，一個人在日常生活中接觸資訊的渠道，遠比我們想象得要更加豐富——2016年Seth Flaxman等學者進行的一項實驗，也證明了這個結論（3）。

該研究請5萬名參與者，自主報告自己最近獲取資訊的新聞媒體來源，同時透過電子手段直接監測和記錄他們的實際新聞消費行為，包括網頁瀏覽歷史等。兩項資料的對比後，研究最終發現人們實際的媒體消費比他們所想象的更具有多樣性。

再者，從根本上來說，演算法是運用智慧來解決資訊分發問題的思路，而非一個絕對的和定型的操作手段，它本身也在不斷髮展。演算法與編輯、社交併不對立，將三者有機結合可以幫助實現更有效的資訊匹配。

《內容演算法》一書中，作者把演算法比喻為“是個筐，什麼都能往裡裝”：演算法是基於我們對現實世界的理解進行的抽象和建模，所有我們關心的因素（編輯分發、社交分發）都可以轉化為演算法推薦的參考因素。

實際應用的推薦系統通常都會使用多種推薦演算法，來提高推薦系統的個性化、多樣性、健壯性（即魯棒性）。比如：運用基於內容的推薦演算法，解決使用者和內容的冷啟動問題；在擁有了一定的使用者行為資料後，根據業務場景的需要綜合使用基於使用者的協同過濾（UserCF）、基於物品的協同過濾（ItemCF）、矩陣分解或其他推薦演算法進行離線計算和模型訓練，並綜合考慮使用者的社交網路資料、時間相關和地理資料等進行推薦。

與此同時，人工編輯也在關鍵的時候發揮作用。比如在今日頭條平臺，由人工稽核和機器演算法共同對內容進行把關。一個擁有良好推薦機制和規則的平臺，能夠助力高質量內容的傳播，從而促進內容生態的發展。新技術環境中，專業內容生產和編輯團隊的價值不僅不會褪色，還會越來越重要。

最後，從人們圍繞演算法分發的探討中，可以看到人們面對資訊時的兩對永恆需求——個人向和公共向、已知的和未知的。人類永遠希望二者可以達到動態的平衡，而這個平衡點又往往因人而異。這給演算法的發展和完善提供了動力，也帶來了難題。

對於個體來說，一個趨於理想態的資訊生態，可能需要具備社會性、群體性、個體性，兼顧資訊的高度和寬度——有些問題，演算法可以解決，也正在嘗試解決；但有些問題，可能人類自己也無法很好地解題，最終還是要不斷迴歸到人性本身。資訊分發技術發展和完善的背後動力，還是在於人，在於人對資訊分發理想模式的永恆追尋。

在這過程中，人始終具有其獨特的價值和能動性，堅守“技術為人”。

結尾

演算法分發是未來之物，它是資訊過載時代智慧分發的產物；演算法分發或也終將成為過去之物，因為下一代技術的發展永遠可以突破當代人的想象，就像宋朝人無法想象移動網際網路。但無論如何，人類追尋資訊的腳步是不會停止的，這種追尋就是資訊分發長河奔流的動力。

追問了推薦演算法的“前世”與“今生”，那麼在技術發展的未來，演算法的“來世”會是如何？