-
1 # AI應用前沿
-
2 # 陽光海牛大資料
資訊繭房這個問題其實自古有之,演算法和科技只是把這種東西放大了。
想象一下沒有演算法,沒有大資料出現之前的世界,我們難道不是去找自己喜歡的東西每天去看嗎?誰會刻意去自己討厭的地方看那些讓自己氣到爆炸的資訊嗎?當然不會了,這不是找虐嘛,招誰惹誰了。
其實都是一樣的,只不過古時候沒有現在這麼方便而已。
這個問題沒問到點子上,與其對抗演算法,不如對抗我們的惰性,對抗我們的傲慢與偏見。
古話說偏聽則暗,兼聽則明,古人就知道的道理,我們仍然可以拿來指導自己的思想和行為。
過去我們是沒有這麼方便的軟體,沒有人把資訊和各種東西送到你的嘴邊上餵給你,但我們仍然會去主動地去找我們想要的東西,但渠道有限,得不到多少。只有少數幾個官方平臺,由他們精選出來的資訊和觀點。大家一是因為選擇少,而是有精英已經幫大多數人做好了選擇,所以大家接觸到的東西都是差不多類似的。
然而到了現代,網路的發展讓更多的人都有了話語權,發聲的人多了,產品多了,選項多了。大家都在爭奪使用者的注意力,難免就會朝著討好使用者的方向走。喂到嘴邊上的東西自然也都是使用者喜歡的。
既然有反思的能力,何不發揮自己的主觀能動性,打破這個被商家推薦圍起來的資訊繭房,由自己去主動挑選自己想要了解和發展的內容呢?
與其要求商家做出改變,不推薦最能引起使用者興趣的重複內容,倒不如規勸有主觀能動性的人動起來,主動去獲取知識,資訊,這樣的效果一定比要求他人來的更快、更好。
資訊繭房不可怕,可怕的是懶惰,傲慢與偏見。
演算法從來都不用對抗,它們只是工具而已。你只需要把控住自己,做自己的主人就可以了。
以上。
-
3 # UOYC
在由“母愛演算法”主導的推薦系統中確實會導致部分使用者出現“資訊繭房”現象,“父愛演算法”則不會。
在這裡可以給大家解釋一下“母愛演算法”和“父愛演算法”之間的差異,所謂“母愛演算法”就是你喜歡什麼,系統就給你推薦什麼,可以設想一下,你成天看到的聽到的都是你喜歡的和認同的東西,你自然會以為全世界都是這樣,同類資訊的大量轟炸也導致你對該認識的進一步加強,長遠來看,這肯定不會是一件好的事情。
“父愛演算法”跟母愛演算法不同,他會推薦你需要的,但是你不一定喜歡這些東西。父愛演算法作為推薦演算法,為人類給出良好建議是一件很好的事情,但是不要嘗試讓父愛演算法給人類做決策,因為比起對我們好,我們更需要的是自由。
回覆列表
有人說內容的智慧推薦演算法會造成“資訊繭房”。這是對演算法最大的誤解。
“資訊繭房”概念,來自於哈佛大學法學院教授凱斯·桑斯坦。他在《資訊烏托邦——眾人如何生產知識》一書中指出,在資訊傳播中,因公眾自身的資訊需求並非全方位的,公眾只注意自己選擇的東西和使自己愉悅的通訊領域,久而久之,會將自身桎梏於像蠶繭一般的“繭房”中。
為什麼我說智慧推薦演算法不會製造“資訊繭房”?
首先,演算法在推薦時,除了使用者現有的個人興趣,還會基於使用環境、內容熱度、其他使用者的興趣,來給使用者推薦資訊。這些因素能夠讓推薦內容更加豐富,避免了內容越來越窄。
其次,演算法本身還包括興趣探索。
一般人對演算法的認識:喜歡什麼,就推什麼。可人生是漫長的,人的興趣不但是各種各樣的,也不斷變化的。比如,我是英超球隊阿森納的鐵桿球迷,可最近幾年阿森納每況愈下,實在心生疲憊;在體育內容上,最近一年我就更關心乒乓球,尤其是“日本選手張本智和和伊藤美誠多大程度上可以挑戰中國乒乓球運動員”,就比“阿森納能不能排名英超前四”更讓我關注了。演算法如何做這樣的興趣探索呢?
我瞭解到,演算法最有效的能力,是識別出你最感興趣的內容和最不感興趣的內容。在二者之間,還存在一大塊“你可能感興趣的內容”,這些內容絕對不會被工程師和產品經理們放棄。事實上,每個人的成長也是不斷地將“可能感興趣的事情”,固化為“確定感興趣的事情”和“確定不感興趣的事情”的過程。
對於演算法如何識別人們“最不感興趣的內容”,演算法推薦裡專門有個名詞叫“協同過濾”,英文術語叫collaborative filtering。“過濾”是“推薦”的反義詞,也是“同一個事情的兩個方面”。演算法有很強的能力,過濾掉那些你明顯不感興趣,跟你一點關係都沒有的東西。比如我根本不關注美妝、口紅方面的內容,演算法沒必要推薦這些內容給我。
那麼,演算法如何去探索那些人們“可能感興趣的內容”呢?
使用者興趣泛化和窄化,其實是推薦系統中的經典問題,學界和業界一直很重視。這個問題叫EE(Exploitation Exploration):Exploitation是利用,透過已知的比較確定的使用者興趣,推薦相關的內容。Exploratio是探索,除了推薦給使用者已知的感興趣的內容,還需要不斷探索使用者的其他興趣,避免推薦結果一成不變。
演算法追求的是,儘可能地滿足使用者獲取有價值資訊的需求,並且讓使用者獲取資訊的價值最大化。
就像開寶箱一樣,演算法需要透過探索來發現使用者的興趣
所以,興趣探索並非演算法的“錦上添花”,而是“必不可少”。
這下你可以理解,“演算法就是喜歡什麼就推什麼”是一個多麼“天真”的誤解了吧。
重點強調:人是萬物的尺度,也是演算法的尺度當然,任何事物都不是完美的,演算法也有一定的侷限性。所以,需要一些其他手段,來幫助資訊更好地流動。
公平並非一視同仁,一篇公司調查和一篇娛樂八卦,前者付出的心血多,而流量往往低於娛樂內容,而平臺這時候,就該勇於去“拉偏架”。“拉偏架”不但體現在資金扶持,也體現在流量扶持上。
有些優質內容,它們不一定能引起所有使用者的興趣,也不能單純從使用者行為習慣來判斷,無法被推薦系統直接有效地衡量。這個時候就需要人介入。
無論是人還是技術,其實都只是一種手段,都是希望最優質的資訊,能又好又快地觸達到需要的使用者手裡,讓人找到資訊,讓資訊找到人,消除使用者“早知道就好了”的遺憾。
不久前,有同事發給我一個腦科學專家的言論。大意是說,要打敗推薦演算法,需要兩個因素:1. 你需要有追求高品質內容的需求。2. 你需要隨機取樣人類各個領域的知識。
“讓上帝的歸上帝,凱撒的歸凱撒。”人類其實沒必要打敗演算法。一定要和演算法分個勝負,大概是人的虛榮心和傲慢在作祟。比如在圍棋領域,我們沒有必要一定要追求打敗阿法爾狗。
演算法在效率方面確實勝過人,而人的同理心和想象力高於演算法。我們應該做的是,和演算法相互學習,做好分工。畢竟,參差多型,乃幸福之源。