編輯導讀：互聯(lián)網(wǎng)世界連接著每一個人，即使天各一方也近在咫尺。我們在互聯(lián)網(wǎng)平臺「喜歡」或「不喜歡」的舉動，正在悄悄影響整個社會。本文作者對此進行分析，希望對你有幫助。

不要小看你在互聯(lián)網(wǎng)平臺「喜歡」或「不喜歡」的舉動，它都在悄悄影響著整個社會。

在這之前，先來了解消費者心理學專家Nir Eyal在《HOOKED》一書中談及的經(jīng)典上癮模型，設計師們設計讓用戶「上癮」互聯(lián)網(wǎng)產(chǎn)品服務的背后，基本原理是通過「觸發(fā)-行動-多變的酬賞-投入」4個方面來養(yǎng)成用戶的習慣。通過連續(xù)的「上癮」循環(huán)，占領用戶心智，使得用戶不斷投入。

?▲上癮模型

比如，你這會正無聊(內(nèi)部的觸發(fā))，好朋友在微信給你分享了一個有趣的視頻(外部的觸發(fā))。你點開鏈接并觀看視頻，這是你的行動。在觀看視頻的過程中，里面幽默搞笑的內(nèi)容刺激多巴胺分泌，頓時你的心情大好，這是看視頻獲得的獎賞。最后，你對于這種獎賞的渴求會促使你不自覺滑動手機屏幕，開始了下一個視頻，這就是繼續(xù)投入。

▲上癮模型-示例

在這個循環(huán)當中，起初平臺還會給你推薦一些你不喜歡的內(nèi)容。但隨著你的繼續(xù)投入，你會發(fā)現(xiàn)它越來越懂你，甚至比你還了解你自己。

關于「科技成癮」的話題已經(jīng)有太多的人談過，我想聊聊在互聯(lián)網(wǎng)中支持其發(fā)展的推薦系統(tǒng)，如何通過你在互聯(lián)網(wǎng)的表態(tài)，影響整個社會。

以下，Enjoy~

一、推薦系統(tǒng)中算法的力量

推薦系統(tǒng)(Recommendation Systems)是一項個性化信息過濾技術，它利用用戶的偏好信息自動地向用戶推薦符合其興趣特點的信息對象，能夠有效地解決“信息超載”帶來的一些問題。

▲ 推薦系統(tǒng)架構| 來自《推薦系統(tǒng)：技術、評估及高效算法》

這個圖稍微有點復雜，我大概講一下。

目前主流推薦系統(tǒng)基本采用的是“基于模型的協(xié)同過濾”算法，即不斷用數(shù)據(jù)為每個實體塑造出一個盡可能準確的 “多維向量模型”。通過收集用戶的基礎信息（比如，年齡、性別、所在城市等）和行為數(shù)據(jù)（比如，點擊“喜歡”、點擊“不喜歡”、 瀏覽時長、收藏、轉發(fā)分享等），為每個用戶建立一個偏好畫像?；谶@個偏好畫像去進行特征學習和過濾，計算相似的用戶，得到“近鄰”，最后進行推薦。

事實上，你只需要關注右上角的部分就可以。從右上角你可以看出平臺給出的「推薦列表」會經(jīng)過用戶的反饋，再次回流到推薦系統(tǒng)的模型學習和訓練當中。意思就是，你在平臺上的行為無時無刻都會被系統(tǒng)記錄、學習，經(jīng)過分析理解后再從海量的內(nèi)容中為你產(chǎn)生新的專屬于你的推薦列表。

對于上圖右上角的反饋流程，推薦系統(tǒng)關鍵在于區(qū)分兩種類型的相關性反饋：正反饋（用戶喜歡的特征）和負反饋（用戶不喜歡的特征）。利用二元化機制可以將推薦列表中的內(nèi)容劃分為“相關”或“不相關”兩大類。

在這種機制的長期運行下，人們的生活會被算法的力量，一步步蠶食。算法并無道德可言，它只關心人們感興趣的內(nèi)容，而推動它的唯一動力則是商業(yè)利益。

正如Elon Musk所說，需要對機器人時刻保持警惕，以免淪為機器的奴役或滅絕。

二、互聯(lián)網(wǎng)世界的理想國

現(xiàn)在各大平臺通過算法通過收集用戶的喜好和標簽，你越喜歡什么就越給你推薦什么。這種「上癮」機制淺層刺激的「爽」，是科技公司和多巴胺的一場共謀，是新時代的慢性毒藥，讓人們深陷其中，無法自拔。

▲推薦-增強回路

今日頭條的CEO張一鳴說：“我們不需要主編，有主編就會有傾向性，我們把分發(fā)交給算法，用戶喜歡什么，我們就推給用戶什么。我們不干預用戶的喜好?！?/p>

對于算法來說，每次互動都是完善模型的有效數(shù)據(jù)，用戶使用得越頻繁，推薦的內(nèi)容就越準確。在極致的情況下，有可能推薦的內(nèi)容100%都是用戶喜歡的。但這種由智能推薦來決定分發(fā)信息的方式，最終會使得相近群體的用戶無限「趨同」，這個趨同不僅體現(xiàn)在所獲取的信息上，還有被信息長時間影響下的思維和價值觀念。

算法的設計邏輯是以無限滿足人性偏好為標準，當然也包括人性的各種陰暗面都被激活并滿足。與此同時，對于一些真正有價值的內(nèi)容，會被徹底淹沒。好比，大街上有位哲學家在演講，旁邊有兩個女人在打架，你更愿意去看哪個？

算法實際上壟斷了數(shù)據(jù)的收集和構建方式，以海量的信息構建一個框架，引領和影響眾人的決策以及偏好。這種力量如果不加規(guī)范，沒有任何約束，后果堪憂。如果有一天算法被利用，一而再，再而三給人們推送虛假的信息，那些被算法捆綁的用戶，是否能分辨、從而擺脫算法呢？

事實上，這種任由智能推薦發(fā)展起來的互聯(lián)網(wǎng)理想國，我認為急需得當?shù)娜藶楦深A，而這種干預要能代表社會的正向價值觀。此外，為了避免極端的馬太效應，熱門的內(nèi)容越來越熱門，冷門的內(nèi)容越來越冷門。還需有效機制，讓分發(fā)的內(nèi)容避免趨同的前提下，帶有正向價值觀的偏見。

▲推薦-驚喜機制

對于用戶而言，就算再喜歡某些內(nèi)容，也不會只喜歡這類型內(nèi)容。對于產(chǎn)品推薦的內(nèi)容，需要在用戶喜歡的基礎之上，借助人為干預超越已知期望探索「驚喜」。

在協(xié)同過濾個性化推薦產(chǎn)生推薦列表的機制下，由于用戶評分矩陣極端稀疏等原因，有學者提出了一種基于驚喜度的協(xié)同過濾改進算法，算法對于用戶的驚喜值、獎勵優(yōu)質(zhì)項目的貢獻、懲罰流行項目的比重，對相似度計算公式進行改進，生成更加合理的鄰居用戶集，充分權衡推薦內(nèi)容的驚喜度與準確度。

三、信息繭房的微光

最早在2001年，哈佛大學Cass Sunstein教授在《信息烏托邦-眾人如何生產(chǎn)知識》一書中提出，人類社會存在一種“信息繭房”現(xiàn)象。他認為在信息爆炸的互聯(lián)網(wǎng)時代，人們更傾向于只接受自己感興趣的信息，長期的信息偏食無異于作繭自縛，久而久之接觸的信息就越來越局限，人就像被桎梏在“信息繭房”內(nèi)，失去對其他不同事物的了解能力和接觸機會。

在這個時代看似每個人都可以隨意獲取信息，事實上卻是一個信息牢籠，你以為你想看到的，是別人刻意給你看到的。以為什么都能看見，卻越什么都看不見。

▲負反饋的連鎖反應

在前面討論智能推薦的信息分發(fā)，讓用戶只看到他想看的內(nèi)容。對于「不喜歡」的內(nèi)容，系統(tǒng)會根據(jù)用戶的喜好，減少個性化的推薦，甚至不推薦?！覆幌矚g」一般來說在算法中的影響是局部的，受到影響的只是單個用戶。但了解過推薦系統(tǒng)智能推薦背后“近鄰”的邏輯后，你還會認為你的「不喜歡」只是個人行為嗎？

對于推薦列表的內(nèi)容，面對單個用戶標記「不喜歡」，并不會對內(nèi)容的展現(xiàn)有太多的影響。但是多個用戶都標記了呢，事實上，在這樣的情況下，系統(tǒng)會自動判定為“劣質(zhì)內(nèi)容”，在平臺算法周期性更新后，此內(nèi)容將永遠不會獲得系統(tǒng)的推薦，也就是永遠被淹沒在信息的海洋。

一開始，我也認為這樣的邏輯并無不合理之處。直到有一天坐車，我在汽車電臺聽到這樣一個故事，讓我陷入了反思。

▲用戶反饋| 截取小紅書

事情是這樣的，一位非常喜歡動物的小紅書用戶，平時會比較關注流浪動物的信息。久而久之，每當這位用戶打開小紅書，feed流全是這樣的信息。這讓他非常難過，看到這么多的流浪動物被棄養(yǎng)，無家可歸，經(jīng)?？吹竭@類信息，自己卻無能為力。

迫于無奈，發(fā)出了「小紅書不要再給我推送流浪動物」的動態(tài)。如果依據(jù)之前的邏輯，這些需要被救助的流浪動物的信息，就是被系統(tǒng)當成「劣質(zhì)內(nèi)容」，悄無聲息地被淹沒，這是一件多么不幸的事啊。

這是被算法支配的世界，系統(tǒng)只會獎勵人們想看到的內(nèi)容。如果大家都點擊不喜歡，那么流浪動物的信息能被看到的概率就更小了。

▲負反饋的背后的秘密

對于算法，它秉持的絕對理性或許并不能完成理解用戶「喜歡」與「不喜歡」背后的意涵。或許算法需要進步，我們在已然存在的信息繭房中，或許也可以憑借自身的能力做些什么?？偛荒芨傻戎夹g自己去意識問題，自我改善吧。

我在想，是不是下次我面對這樣的情況下，點上一個贊，分享轉發(fā)，評論，又或者在系統(tǒng)多輪多次推薦類似內(nèi)容的時候，主動告知平臺運營團隊「不喜歡」背后的深意，即便是微光。

四、總結

最后，不要小看自己在互聯(lián)網(wǎng)上的小小舉動，這就是每天發(fā)生在你生活中的「蝴蝶效應」。既然算法的世界不可避免，那有沒有與它和平相處的方式呢？算法固然需要進步，那我們呢？

對于推薦系統(tǒng)為社會帶來的便利與效益毋容置疑，在系統(tǒng)巨輪之下，可以對個人獲取信息的渠道進行優(yōu)化，把更多精力放在主動獲取信息之上。

另外，建立結構化的知識體系，在信息爆炸的時代，探索更有價值的信息，而非完全愉悅自我的內(nèi)容。

參考資料：

[1] 《推薦系統(tǒng)：技術、評估及高效算法》[2] 專欄 | 推薦系統(tǒng)遇上深度學習，讓每一次邂逅都深入人心

[3] 產(chǎn)品分析 | B站－從二次元社區(qū)到綜合視頻社區(qū)

[4] 互動與博弈：算法推薦下短視頻行業(yè)生態(tài)與發(fā)展路徑

[5] 偏見的不自知涵化與助長——算法推薦機制下“過濾泡沫”

[6] 抖音點了不感興趣還一直推薦

[7] 警惕陷入“信息繭房”

作者：龍國富，公眾號：龍國富，分享用戶研究、客戶體驗、服務科學等領域資訊，觀點和個人見解。每周原創(chuàng)更新，與你一起探索未知。

本文由@龍國富 原創(chuàng) 發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)授權，禁止轉載。

題圖來自unsplash，基于CC0協(xié)議