从技术视角看算法推荐的认知困境

● 王君然

算法推荐的技术逻辑与运行机制

随着智能算法在各个领域的普及，算法对于我们也不再是“黑箱”一般的存在。尽管算法的种类和应用多种多样， 但其基本的技术逻辑是朴素的， 都是通过多维拟合来实现相似性检索。

1.基于特征向量集合的内容推荐机制。互联网时代的一个重要特征就是信息过载，这导致了信息内容的庞杂和冗余，那么这种情况下如何进行信息和需求的分类就显得尤为重要，不断进行层次的精确和细分，能够提升系统的操作效率，也迎合了分众导向。由于计算机的本质只是在进行大量的统计和快速计算，所以就要把信息内容和用户需求量化成可计算的数字，然后通过算法去归类这些数字化的特征并根据特征数字进行分发，即TF-IDF 模型。TF 就是将关键词的次数归一化，计算关键词的词频，一条信息内容的总词频就成为此信息的相关性指标之一。而IDF 指的是词条的权重。由于不同的词条对主题的预测能力和锁定目标的难易程度都不同，所以要将词条的相关性权重引入检测的标准当中。

2.基于用户与产品二元关系的协同过滤机制。协同过滤算法的关键在于通过收集已知数据来预测未知数据，具体又分为三类：基于用户的过滤、基于项目的过滤和基于模型的过滤。但无论是哪种过滤方式，其技术逻辑都是在用户与信息产品之间自动建立了二元的逻辑关联，都充分利用了群体智慧和合作机制，从大量的用户行为数据中挖掘相似性，不断拟合出用户的潜在兴趣。……