数码实验室|又为啥会“失灵”？，推荐算法为啥这么“灵”( 二 ) 导读：一句话概括推荐算法的原理。作者

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。

文章图片
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。
关于作者：莫凡，娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者，擅长高冷技术的“白菜化”解说，微信公众号“睡前机器学习” ，个人知乎号“木羊” 。