CobiNet(寧波)推薦文章：

We shape our tools and afterwards our tools shape us. Marshall McLuhan

麥克盧漢說(shuo)： 我們塑造(zao)了工(gong)具，反(fan)過來工(gong)具也(ye)在塑造(zao)我們。

我(wo)本(ben)人不反感AI，也相(xiang)信人工智能(neng)(neng)會(hui)開創一個偉大的(de)時代(dai)，但是我(wo)們(men)要思考一些東(dong)西，至少知(zhi)道那(nei)是什么。本(ben)人旨在(zai)讓你了解(jie)當(dang)前(qian)人工智能(neng)(neng)應用最普遍的(de)智能(neng)(neng)推薦(jian)引擎（Intelligent Recommendation Engine），其背后的(de)設計理念，以及一些更深度的(de)思考。關(guan)于理念，它不像技術(shu)要求太多(duo)的(de)基礎，我(wo)盡量不使用專(zhuan)業術(shu)語，所以本(ben)文同樣適合(he)程序員以外群體(ti)。

從 分類 說起

以(yi)大(da)家熟悉的(de)(de)分類信息網(wang)為(wei)例，像(xiang)58同城、趕(gan)集網(wang)。網(wang)站把現(xian)實(shi)生活中的(de)(de)商品、服務(wu)進行(xing)分類進行(xing)展(zhan)示，比如房產、二手車、家政(zheng)服務(wu)等。這些內容即(ji)是現(xian)實(shi)世界對應(ying)的(de)(de)抽(chou)象(xiang)，我們可以(yi)很容易的(de)(de)找到對應(ying)關系(xi)。

我們再以求職網站(zhan)為例，像智聯招聘、BOSS直(zhi)聘。網站(zhan)按照(zhao)職業(ye)把 人分類，比(bi)如程序員、廚(chu)師、設(she)計(ji)師、數學(xue)家、物理學(xue)家等。

那么(me)現在問題出現了，眾所周知，人(ren)工智(zhi)能(neng)的完美入門人(ren)才是具有(you)數(shu)學(xue)(xue)(xue)和計算機雙學(xue)(xue)(xue)位的碩士(shi)以上學(xue)(xue)(xue)歷人(ren)才。那么(me)，我們(men)如何把這樣的人(ren)分類(lei)呢(ni)？我們(men)無法單一的將其(qi)歸入到程序員或(huo)者數(shu)學(xue)(xue)(xue)家，我們(men)無法為(wei)每一個這樣的復合型人(ren)（slash）進行(xing)單獨分類(lei)。

分類產生矛盾。

我(wo)們(men)(men)區(qu)分(fen)南方人(ren)(ren)、北方人(ren)(ren)，所以有(you)地域(yu)歧(qi)視。我(wo)們(men)(men)區(qu)分(fen)亞(ya)洲(zhou)人(ren)(ren)、歐(ou)洲(zhou)人(ren)(ren)，所以有(you)種族歧(qi)視。 分(fen)類 只是人(ren)(ren)類簡化問題邏輯的手段，薛定諤(e)的貓和羅素的理發師已經證(zheng)明了 分(fen)類 并不正確。所以在大(da)計算(suan)時代，我(wo)們(men)(men)引入 貼標簽 的概念。

AI時代是(shi)計算(suan)能力(li)(li)爆炸增長所(suo)帶來的(de)。在強大的(de)計算(suan)能力(li)(li)面前(qian)，我們真的(de)可以針對(dui)每個人進行(xing) 分類 ，它的(de)表(biao)現形(xing)式就是(shi) 貼(tie)標簽(qian)。

30歲以(yi)下、程(cheng)序員(yuan)(yuan)、屌絲(si)、奶爸、熬(ao)夜、不愛運動、公眾號叫caiyongji、格子襯衫、機械(xie)鍵盤、牛仔(zi)褲 這(zhe)些(xie)可以(yi)是一個(ge)程(cheng)序員(yuan)(yuan)的(de)標簽。換(huan)個(ge)角度， 類別(bie) 反轉(zhuan)過來服務(wu)于(yu)單獨的(de)某個(ge)人(ren)，這(zhe)是在(zai)計算(suan)能力短缺的(de)時(shi)代所無法想(xiang)象的(de)。

傳(chuan)統的智(zhi)(zhi)能推(tui)薦(jian)(jian)引(yin)擎(qing)對(dui)用戶(hu)進行多維度(du)的數(shu)據采集、數(shu)據過濾、數(shu)據分析，然(ran)后建模，而人工智(zhi)(zhi)能時代的推(tui)薦(jian)(jian)引(yin)擎(qing)在建立模型步驟(zou)中加入Training the models（訓練(lian)、測試(shi)、驗證）。

最后，推(tui)(tui)薦(jian)引擎就可以根(gen)據用戶標簽的權重(zhong)（可以理解為對(dui)標簽的打(da)分，表示側重(zhong)點），對(dui)用戶進行精準推(tui)(tui)送了。

推薦引擎屬性分化

俗話是這么說的 旱(han)(han)的旱(han)(han)死(si)，澇的澇死(si) ， 飽漢(han)子不知(zhi)餓漢(han)子饑 ，不知(zhi)道這些俗語(yu)我用的恰當(dang)不恰當(dang)。我的意(yi)思是在智(zhi)能引擎的推薦下，會(hui)加(jia)強(qiang)屬(shu)性兩(liang)極分化。

我們以(yi)程序員(yuan)為例(li)，選取(qu)編(bian)程技巧、打游戲、體育運動(dong)、熬夜、看書五個維度(du)。經過推薦引擎的 塑造 后如下。

目前，推薦引擎的算法會將權(quan)重(zhong)比較(jiao)大(da)(da)的標(biao)簽(qian)進行優先推廣，這(zhe)就(jiu)導致原本(ben)權(quan)重(zhong)大(da)(da)的標(biao)簽(qian)得到更多的曝光次數，最終使得權(quan)重(zhong)大(da)(da)的標(biao)簽(qian)權(quan)重(zhong)越來越大(da)(da)，而權(quan)重(zhong)小的標(biao)簽(qian)在長時間的被忽略狀態下逐漸趨近(jin)于零(ling)。

推薦引擎行為引導

波茲曼(man)認為，媒體能(neng)夠以一種隱蔽卻(que)強大的暗(an)示力量來 定(ding)(ding)義現實世界 。其(qi)中媒體的形式極為重要(yao)(yao)，因為特定(ding)(ding)的形式會(hui)偏好(hao)某種特殊的內容，最終(zhong)會(hui)塑造整個(ge)文(wen)化的特征。這就是所謂 媒體即隱喻 的主(zhu)要(yao)(yao)涵義。

由于(yu) 推薦 機制的(de)(de)(de)屬性分化，那(nei)(nei)些(xie)高技術含量的(de)(de)(de)、專業的(de)(de)(de)、科學的(de)(de)(de)、真正對人(ren)又幫助(zhu)的(de)(de)(de)信(xin)息(xi)被(bei)更少的(de)(de)(de)人(ren)接觸，而(er)那(nei)(nei)些(xie)簡單的(de)(de)(de)、輕(qing)松的(de)(de)(de)、娛樂的(de)(de)(de)、裸露的(de)(de)(de)、粗(cu)俗(su)的(de)(de)(de)信(xin)息(xi)被(bei)越來越多的(de)(de)(de)人(ren)接觸。

我們(men)看一下具有影響力的(de)百(bai)度(du)、今日頭條和(he)微(wei)博在今天(tian)(2018年1月13日10:04:xx)所推(tui)薦(jian)的(de)內(nei)容。我刪除了cookie，使用匿名session，移(yi)除我的(de) 標(biao)簽 。也就是說，下圖(tu)所推(tui)薦(jian)內(nei)容對大(da)部分人適用。

只要你好奇點(dian)擊(ji)，你的(de)(de)tittytainment（我翻譯成 愚樂 ，那個(ge)三俗的(de)(de)譯法不要再傳了）屬性權重就會越來越大。娛樂新聞點(dian)擊(ji)過(guo)百萬，科(ke)普文章點(dian)擊(ji)不過(guo)百，這種(zhong)現象正是推薦引(yin)擎的(de)(de)行(xing)為引(yin)導導致的(de)(de)。

不客(ke)氣的說，百度(du)、今日頭條、微博(bo)對(dui)國民素質的影響是(shi)有責任的。

無關推薦(Non Relational Recommendation)

對于你從來(lai)都沒思(si)考過的(de)(de)事物，你可能永(yong)遠都接觸(chu)不到(dao)，因為你不知道求索的(de)(de)路徑(jing)，所以有的(de)(de)人(ren)每(mei)個月都讀與(yu)自(zi)己(ji)專業無關的(de)(de)書，來(lai)擴展自(zi)己(ji)的(de)(de)知識(shi)面(mian)。我們舉個例子：

你可能會(hui)在網上搜索(suo)如(ru)(ru)何(he)與(yu)女朋友和諧相處(chu)但你未必會(hui)搜索(suo)如(ru)(ru)何(he)讓女朋友們和諧相處(chu)，有人(ren)笑談 貧窮限制了我(wo)的想象力 ，其實不然，是你接收不到無關的推薦，你才(cai)被限制在特定的知識圈子里。

所以我提(ti)出無關推薦這(zhe)個概(gai)念(nian)。

對程序員進行畫像：

如圖，當某(mou)個標簽沒有到(dao)達 程(cheng)序(xu)員 的(de)路(lu)徑時(shi)，他可能永遠無法(fa)觸及(ji)那個標簽。這(zhe)時(shi)，我(wo)們推薦(jian) 無關(guan) 信息給用戶，強制產(chan)生路(lu)徑。

你(ni)可能會質疑，這是隨機強制推薦垃圾信息嗎？

其實不然，通過深度學習，我們(men)(men)可(ke)(ke)以進(jin)行大量的(de)(de)數(shu)據收集、數(shu)據分析和模型訓練，我們(men)(men)是可(ke)(ke)以找到(dao)對某個個體無關(guan)，但會(hui)讓其感興趣信息的(de)(de)興趣點。這種(zhong)信息就是無關(guan)推(tui)薦的(de)(de)解(jie)。

最后

你(ni)每天接(jie)收(shou)到的 推薦 背后是各個團隊(dui)經過心(xin)理學研(yan)究(jiu)、行為學研(yan)究(jiu)、大量(liang)計(ji)算設計(ji)的，人們正在失去深度思考、自(zi)主(zhu)判斷的能力。對于(yu)進步青年、斜杠青年請保持思考。謹(jin)以(yi)此文獻給(gei)希望進步的你(ni)，希望你(ni)有(you)所收(shou)獲和思考。

   

文章編輯：CobiNet(寧波)  
本公司專注于電訊配件,銅纜綜合布線系列領域產品研發生產超五類，六類,七類線，屏蔽模塊，配線架及相關模塊配件的(de)研發和(he)生(sheng)產。

歡迎來電咨詢0574 88168918,郵箱sales@aliance.cn，網址aliance.cn