推荐算法为啥这么“灵”，又为啥会“失灵”？

推荐系统是为用户推荐所需物品的软件工具和技术。提供的推荐旨在通过各种决策过程来支持用户，例如，买什么物品、听什么歌曲或读什么新闻。推荐系统的价值在于帮助用户解决信息过载和做出更好的选择，也是现在互联网领域最强大和最流行的信息发现工具之一。

今天就和大家聊聊：推荐算法为啥这么“灵”，又为啥会“失灵”？

01 推荐算法为啥这么“灵”？

要回答这个问题，首先得讲清楚推荐算法的原理是什么。

我们知道，互联网最大的特点就是有海量的信息。不过，光是数量庞大是没有任何意义的，需要信息真正发挥作用才能产生价值。所以，如何让信息发挥价值，始终是互联网发展的一条主轴。为此，我们想了很多办法。

“算法推荐系统”出现前，我们的做法是发现信息，这就是搜索引擎。搜索引擎很有用，但限制也很明显，遗留了很多问题。回想一下：我们要用搜索引擎找信息，不是直接就得到想要的结果，而是得首先掏出一个“关键词”输入进去，然后才能看到命中的结果。

这个过程叫信息检索，也就是你得首先知道自己对什么信息感兴趣，得有线索，然后才能通过搜索引擎检索信息。但这就有个问题，互联网实在太大了，而人的认知圈子实在太小了，这就导致了大量本该有价值的信息，因为没被人看到，而只能静静躺在角落被白白浪费了。

这个问题初看不可能有解，毕竟从常识推断，我们得首先知道那条信息，才可能判断对它是否感兴趣，这个过程应该没法颠倒过来，去发现我们不知道但感兴趣的信息。但推荐算法做到了，它改变了搜索引擎的做法，不再是发现信息，而是发现兴趣。

推荐算法是怎样发现兴趣的呢？听起来好像很玄乎，不过原理远没有想象中的那么复杂，我用一句话概括――就是依靠人和物的关联关系，最少只要经过三次关联，就能完成兴趣发现，进行一次推荐。

这么说不太形象，我举一个例子。

• 我爱喝快乐水，经常去家旁边的便利店买快乐水，店长当然很快就知道我对快乐水感兴趣，这是第一次关联――我关联快乐水。

• 接着，店长收完钱，想起来有另一位顾客也对快乐水感兴趣，名字就叫小编吧。小编也常到店里买快乐水，这是第二次关联――快乐水关联小编。

• 这位小编和我一样，对快乐水有着相同的执念，但又有点不同：除了到店里买快乐水，小编还常买另一样东西――薯片，这就是第三次关联――小编关联薯片。

想到这里，店长觉得：既然我们都爱喝快乐水，那没准你们也都喜欢吃薯片呢？于是，店长就向我推荐了薯片。这就是基于兴趣的推荐算法，大数据分析常举的例子――啤酒尿布，就是上面的这个原理。

我最近看到很多文章，说推荐算法比女朋友更懂你，外人一看都觉得挺神奇的，其实明白了推荐算法的原理，就应该知道这是理所当然的，术业有专攻，除非你的女朋友正好是店长。

当然了，推荐算法原理不复杂，但实际要发挥好作用，还需要根据应用场景作很多调整。推荐算法的重心在于发现人与人之间的共同点，但怎么划分共同点，是有很多不同的方法的。

就拿我们常见的推荐来说，既有“看过这个视频的观众还看过”这类基于视频节目的推荐，也有“同城的观众都在看”这类基于地理位置的推荐。

早期做推荐很简单，是基于点击量来推荐，但大家很快发现：基于点击量的推荐没法发现差异化的兴趣。所以，要想实现一套好用的推荐算法，通常要综合方方面面去考虑，而不只是单独的一两个点。

02 推荐算法为啥会“失灵”？

推荐算法平时没什么问题，但一旦出现极端情况，譬如说爆发大规模疫情，就会出现前面我们看到的推荐算法“失灵”的问题，大量推荐的都是疫情相同的信息，把其他信息都湮没了。

不过说实话，推荐算法有这样的结果，其实是“合理”的。你想一下：疫情期间你的朋友、家人、同学或者同事，包括你自己，最关心的是什么？就是疫情。

推荐算法这边呢，我们一再强调推荐算法要做的是发现兴趣，而恰恰是正确地发现了你对疫情的“兴趣”，所以推荐算法才给你大量推荐了疫情相关的信息。非要说这是问题的话，恐怕首先也得是社会学的问题。

但是，深入地想一想就会发现，这个问题没这么简单。互联网经济在过去很长一段的时间里是推崇一种理论的，叫长尾理论，大概意思是：人类社会中存在着大量的小众需求，你贩卖的东西再离经叛道，也总会能得到真爱的捧场，互联网就是沟通小众需求的桥梁。

推荐算法在很大程度上也受了这种理论的影响，所以有一种说法是：推荐算法的最终目标就是能发现这一个一个的小众圈子，把小众的信息推荐给圈子里的人。

但现实却是另外一回事。近几年大家讨论更多的是另一种互联网现象，如果你经营过公众号或者当过UP主，应该会对这种现象印象深刻，这就是头部效应。

大部分甚至绝大部分的互联网流量，实际上是被少数几个“头部”信息生产者吸走了，剩下绝大多数的信息生产者，则仍然是静静地呆在角落里面被人遗忘。

本该打破这一现象的推荐算法，反而加剧了这种现象。因为占据头部，所以容易被推荐，因为容易被推荐，所以继续占据头部，推荐算法导致的这种上升螺旋，让头部效应更加明显。如果把本次疫情看作是一个新的头部，也许能更好地理解推荐算法为什么会在疫情中出现失灵。

那么，这个问题应该怎么解决呢？这个问题，容易回答，也不容易回答。从技术的角度看，这个问题想要解决，思路是很清晰的，就四个字：去极端化。

理论研究和真实环境往往有差别。理论研究都爱对环境条件进行简化假设，智能算法也不例外，通常假设各种情况出现的概率是服从均匀分布的，大家应该是旗鼓相当的公平竞争，谁也压不住谁，然后再在这个假设条件下构建算法的各种逻辑。

但实际上，一枝独秀也许才是真实环境中最为常见的情况。其它的所谓竞争者，要么是萌新，躲在角落瑟瑟发抖，要么是菜鸡，互啄上不了台面。在算法看来，这种现实情况和假设情况相差实在太远，太极端，所以，会出现奇奇怪怪的结果自然也就不值得奇怪了。

要让算法恢复正常怎么办呢？只要把极端情况变得不那么极端就可以了，很多依靠评委打分的比赛为了避免受极端情况影响，通常会选择采取去掉一个最高分和一个最低分的做法，就是类似的思路。

不过，技术本身是中立的，是正是邪，要看使用的人，就好比菜刀，究竟是用来切菜还是砍人，不是由菜刀自己说了算。现在讨论的很多问题看起来是技术的问题，其实还是人的问题。譬如人工智能，说到自动驾驶，我们就很爱讨论一个话题，说算法应该怎么处理电车难题。

但实际上，算法自己是不会产生价值观的，算法的价值观，说到底还是人的价值观。推荐算法究竟要怎么改，说到底还是要看推荐算法的使用者怎么定义价值。

我想，推荐算法最后一定能够满足“推荐有价值信息”这一要求的，但是，这里的“有价值”究竟是对谁而言的有价值，那就是另一个问题了。