流浪动物|你在互联网平台的「喜欢」与「不喜欢」正在悄悄影响整个社会电动汽车|零部件|鸿海精密

编辑导读：互联网世界连接着每一个人，即使天各一方也近在咫尺。我们在互联网平台「喜欢」或「不喜欢」的举动，正在悄悄影响整个社会。本文作者对此进行分析，希望对你有帮助。

文章插图
不要小看你在互联网平台「喜欢」或「不喜欢」的举动，它都在悄悄影响着整个社会。
在这之前，先来了解消费者心理学专家Nir Eyal在《HOOKED》一书中谈及的经典上瘾模型，设计师们设计让用户「上瘾」互联网产品服务的背后，基本原理是通过「触发-行动-多变的酬赏-投入」4个方面来养成用户的习惯。通过连续的「上瘾」循环，占领用户心智，使得用户不断投入。

文章插图
上瘾模型
比如，你这会正无聊(内部的触发)，好朋友在微信给你分享了一个有趣的视频(外部的触发)。你点开链接并观看视频，这是你的行动。在观看视频的过程中，里面幽默搞笑的内容刺激多巴胺分泌，顿时你的心情大好，这是看视频获得的奖赏。最后，你对于这种奖赏的渴求会促使你不自觉滑动手机屏幕，开始了下一个视频，这就是继续投入。

文章插图
上瘾模型-示例
在这个循环当中，起初平台还会给你推荐一些你不喜欢的内容。但随着你的继续投入，你会发现它越来越懂你，甚至比你还了解你自己。
关于「科技成瘾」的话题已经有太多的人谈过，我想聊聊在互联网中支持其发展的推荐系统，如何通过你在互联网的表态，影响整个社会。
以下，Enjoy~
一、推荐系统中算法的力量推荐系统(Recommendation Systems)是一项个性化信息过滤技术，它利用用户的偏好信息自动地向用户推荐符合其兴趣特点的信息对象，能够有效地解决“信息超载”带来的一些问题。

文章插图
推荐系统架构| 来自《推荐系统：技术、评估及高效算法》
这个图稍微有点复杂，我大概讲一下。
目前主流推荐系统基本采用的是“基于模型的协同过滤”算法，即不断用数据为每个实体塑造出一个尽可能准确的 “多维向量模型”。通过收集用户的基础信息（比如，年龄、性别、所在城市等）和行为数据（比如，点击“喜欢”、点击“不喜欢”、浏览时长、收藏、转发分享等），为每个用户建立一个偏好画像。基于这个偏好画像去进行特征学习和过滤，计算相似的用户，得到“近邻”，最后进行推荐。
事实上，你只需要关注右上角的部分就可以。从右上角你可以看出平台给出的「推荐列表」会经过用户的反馈，再次回流到推荐系统的模型学习和训练当中。意思就是，你在平台上的行为无时无刻都会被系统记录、学习，经过分析理解后再从海量的内容中为你产生新的专属于你的推荐列表。
对于上图右上角的反馈流程，推荐系统关键在于区分两种类型的相关性反馈：正反馈（用户喜欢的特征）和负反馈（用户不喜欢的特征）。利用二元化机制可以将推荐列表中的内容划分为“相关”或“不相关”两大类。
【 流浪动物|你在互联网平台的「喜欢」与「不喜欢」正在悄悄影响整个社会】在这种机制的长期运行下，人们的生活会被算法的力量，一步步蚕食。算法并无道德可言，它只关心人们感兴趣的内容，而推动它的唯一动力则是商业利益。
正如Elon Musk所说，需要对机器人时刻保持警惕，以免沦为机器的奴役或灭绝。
二、互联网世界的理想国现在各大平台通过算法通过收集用户的喜好和标签，你越喜欢什么就越给你推荐什么。这种「上瘾」机制浅层刺激的「爽」，是科技公司和多巴胺的一场共谋，是新时代的慢性毒药，让人们深陷其中，无法自拔。

文章插图
推荐-增强回路
今日头条的CEO张一鸣说：“我们不需要主编，有主编就会有倾向性，我们把分发交给算法，用户喜欢什么，我们就推给用户什么。我们不干预用户的喜好。”
对于算法来说，每次互动都是完善模型的有效数据，用户使用得越频繁，推荐的内容就越准确。在极致的情况下，有可能推荐的内容100%都是用户喜欢的。但这种由智能推荐来决定分发信息的方式，最终会使得相近群体的用户无限「趋同」，这个趋同不仅体现在所获取的信息上，还有被信息长时间影响下的思维和价值观念。