推荐算法为啥这么“灵”，又为啥会“失灵”？ _推荐算法

作者：木羊同学
来源：华章计算机（ID：hzbook_jsj）

文章插图

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。