已知函数fx=e的x次方 已知函数fx等于

澎湃新闻记者 邹熳云 刘畅 王亚赛

【编前语】

据今年人民网发布的《2020中国网络视听发展研究报告》统计，截至6月份，我国短视频用户规模达到8.18亿，人均单日时间达110分钟，近两成用户每天看短视频2小时以上。短视频产业的繁荣成为了新的资本焦点，但也不免让人产生新的忧虑。今年上映的纪录片《社交困境》就指出了类似的问题，随着推荐算法的不断强大，作为受众的我们越来越难放下眼前的手机，不断地重复着相同的滑动动作，眨眼间消耗掉大把的时间。

澎湃新闻和互联网资深软件工程师Justin聊了聊，请他为我们普及一下推荐算法背后的机制。Justin认为，推荐算法的初衷是为了提高人们的阅读效率，但互联网公司为了能更多地吸引用户，把推荐算法变成了一种工具，解决了算力的同时，也加强了社交产品中原先就容易让人上瘾的特质。可惜的是，目前从社会层面上，这个问题很难得到抑制。作为用户的我们，要有意识地去观察自己的使用行为，不能让自己的时间被无意义地吞噬。

“人类在沉迷，机器在学习。”来源：Instagram @ml.india

澎湃新闻：在没有推荐算法前，网站是怎么推荐内容的？

Justin：在以前，传统的做法是根据规则过滤内容，比如说根据热度推荐，某个视频在本站的热度很高，那我就给你推荐；如果不高，就不推荐。或者说，如果你曾经点赞过很多生活区的视频，那就给你推荐生活区的视频，其他的我就不管了。这些都是很单一的明确的判断标准。

澎湃新闻：那推荐算法又是一个什么样的机制呢？

Justin：简单而言，推荐算法就是把一堆用人话讲出来的目标，转化成机器能够理解并运算的数字。在大数据统计的基础上，这个算法会提取用户和内容这两者的特征，经过一系列复杂的转换和计算后，给用户匹配到合适的内容。

举个例子，我们把用户的年龄、性别、注册时间、历史点赞行为等数据特征化，作为模型的输入。这些数据的维度通常非常多，但如果我们简化为一个二维空间，就是一个个平面上的点。推荐算法就是要用一根不规则的曲线去不断地拟合这些点，去寻找最佳匹配，慢慢地也就成为了一个复杂的算法。

澎湃新闻：你之前在播客《枫言枫语》中提到过，因为推荐算法的操作太简单了，所以算法工程师反而不太好控制，甚至会嘲笑自己是调参工程师。这个观点会不会和上面提到的推荐算法的复杂性产生冲突？

Justin：这可能是我之前在节目里表达得不够准确。简单是指的应用层面，而复杂则是设计层面。也不是说应用层面的算法工程师能力不强，毕竟计算机科学工业已经发展了这么多年，肯定会出现许多精细化的领域分工，大家都是各有所长的。

澎湃新闻：那“调参工程师”这个说法又是怎么来的呢？

Justin：对于应用的工程师来说，他们主要是把这个算法现有的模型拿到线上使用，也就是一个输入加一个输出。虽然没有我描述得这么简单，但总的来说，你可以理解为这个算法的中间是一个黑盒，就是一个fx函数，假设它里面是x加x的话，你输入一，就会得到二，对吧？也就是说，无论输入是怎样的，输出是肯定不会变的。

而且因为中间这个部分是黑盒，你根本不知道它是怎么运作的，甚至连设计算法的那个人，他可能也不好拍板，说这里输入一个什么东西后，一定会得到一个什么效果，所以我才说这个算法不是特别好控制。就好比，大脑的最小组成单位是一个神经元，神经元会释放很多不同的神经递质，然后产生一些化学反应。你能理解神经元是怎么运作的，你就能完全明白我们的意识是怎么产生的吗？不可以，这是两个不同的维度。尤其当推荐算法正式上线的时候，它将面对一个装有几亿甚至几十亿用户的庞大沙盘，最后这个群体会变成什么样子，我们是不可预知的。

澎湃新闻：所以推荐算法工程师每天就是在控制参数吗？他们的工作内容是怎样的，可以举个例子吗？

Justin：举个例子，如果我们的目标很明确是要让某一类型内容（feed）的点赞率上升，那我们可以先捞一拨用户出来，作为实验组，然后再捞一批用户作为对照组，通过很科学的方式验证这个算法实验的操作是否正确。

之后，我再对这些用户和内容特征做一个不同权重的设计，把这些特征输入我们的模型后，就可以通过调参得到不同的目标：比如推一个内容（feed），就是为了让你点赞，或者就是为了让你评论等等。

实验之后，我发现之前调的那些东西是对的，那就说明我做对了。但至于我是怎么做对的，我也只是猜测，我不确定我写了这些东西之后，它到底能不能得到这样的结果，甚至可能会发生这样的小概率事件：我的实验结果是对的，但在全网铺开后，这个算法模型反而起到了反效果。这是因为推荐算法真正难的地方在于，很多时候你的目标是不可量化的，而我们只能通过其他多个可量化的指标去逼近这个不可量化的指标。

澎湃新闻：你之前还提到了一个观点：推荐算法的弊端在于，它没法保证推送给我喜欢内容的同时，还让我学到新东西。为什么出现这个问题呢？

Justin：这其实是机器解决人类问题所面对的一个非常大的难点。机器的目标通常是非常明确的，而我们想学到的东西，常常是不可量化的。

学习新知识，需要的是发散思维，需要不断地拓宽认知领域，但纯靠机器推荐的话，它的趋势肯定是收敛的。比如我在ins上点赞了一些美女和赛博朋克风格的照片，那它一定会继续给我推荐这两种照片。如果机器想帮助我拓宽认知边界，那它一定得想办法在里面塞更多的东西，而且不能是美女或赛博朋克。换言之，它只能猜测。

因此，现在抖音、快手等内容平台会加入很多机器推荐之外的策略。比如通过和你背景相似的群体的喜好，去试探你喜欢的内容，如果你点击了喜欢，那你的历史数据就会被慢慢改变了。还有人工干预，比如新出了一个综艺，热度不够的话，机器肯定是无法预知的，就需要人工把这个内容推向全网。

澎湃新闻：那可以说，推荐算法是导致人们不断沉迷手机的罪魁祸首吗？

Justin：不一定。手机成瘾本身的根源并不在于推荐算法，推荐算法仅仅是一种新型的技术手段，它极大地解决了算力问题，助长了原先就存在于社交产品中的那些特质。毕竟，每天起床去健身房的人是少数，每天坚持阅读的人也是少数，绝大多数人可能更喜欢被投喂信息的方式。

在推荐算法没出来前，人们也需要花很多时间去阅读内容。大概在2010年前后，推特已经有上亿用户，每名用户关注的人数也超过了百位，如果一百个人每天发三条推特，按照传统的时间排序，用户如果想看到高质量的内容，就只能往上翻，翻完这300条推特，这个阅读效率是很低的。推荐算法的出现，能帮助读者快速地完成阅读，以免被淹没在90%的无意义聒噪中。

我始终认为技术本身是中立的，它产生的时候就是单纯地为了解决一个技术难题，而不是为了让一些公司做A/B测试。至于它解决了难题后，未来会变成什么样，这并不是技术在发展的过程中它所会去考虑的。

责任编辑：吕妍

校对：张艳