国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

推薦系統(tǒng)如今已深度融入我們的生活，但它們?cè)谒茉煊脩?hù)選擇的同時(shí)，也面臨偏見(jiàn)、透明性等問(wèn)題。文章探討了推薦系統(tǒng)的力量與責(zé)任，強(qiáng)調(diào)公平性和透明性的重要性，并展望了其從選擇工具到自我發(fā)現(xiàn)引擎的進(jìn)化潛力。

“決定你命運(yùn)的不是機(jī)遇，而是選擇”，這句格言常被歸于琴·尼德奇（Jean Nidetch），堪稱(chēng)亞里士多德倫理學(xué)的一種總結(jié)（網(wǎng)上有大量的誤傳，真的相信其為亞里士多德的金句）。尼德奇1963年創(chuàng)立綜合性減肥方案和飲食計(jì)劃Weight Watchers，旨在幫助人們通過(guò)健康的飲食和生活方式的改變來(lái)減輕體重。

她是今天我們所熟悉的網(wǎng)上“健康達(dá)人”的真正鼻祖，一位來(lái)自皇后區(qū)的家庭主婦在減肥過(guò)程中，憑借雄心壯志，找到了一個(gè)出口、一種身份和一條自我實(shí)現(xiàn)的路徑。

選擇多么重要，如果是自我作出的。但在人工智能時(shí)代，選擇還真的屬于我們嗎？

推薦引擎革命

這是一個(gè)生活處處被推薦系統(tǒng)影響的時(shí)代。Spotify 的“每周發(fā)現(xiàn)”功能向全球音樂(lè)愛(ài)好者承諾，提供他們從未聽(tīng)過(guò)但一定會(huì)喜歡的個(gè)性化歌曲播放列表。Netflix 的算法不僅使“刷劇”成為可能，而且可以預(yù)測(cè)用戶(hù)的觀看喜好。Google地圖則為用戶(hù)提供最快、最安全的出行路線(xiàn)建議。

“一切皆為推薦”（Everything is a recommendation）是Netflix常喊的一句口號(hào)，意謂該平臺(tái)上哪怕是看似簡(jiǎn)單的內(nèi)容列表，也會(huì)根據(jù)用戶(hù)的觀看歷史精心策劃和加以個(gè)性化，其本質(zhì)乃是針對(duì)個(gè)人口味量身定制的推薦，而不僅僅是提供一個(gè)中性的選項(xiàng)列表。也就是說(shuō)，每個(gè)顯示的標(biāo)題都是算法提出的建議，認(rèn)為用戶(hù)可能會(huì)喜歡。

實(shí)際上，Netflix的數(shù)據(jù)科學(xué)家和設(shè)計(jì)師圍繞著這一口號(hào)重新設(shè)計(jì)了公司的用戶(hù)體驗(yàn)。這家流媒體視頻先鋒將其界面配置為或明或暗地建議用戶(hù)接下來(lái)應(yīng)該觀看哪些劇集，而每次觀看都要看上數(shù)個(gè)小時(shí)。追劇——以及追劇的觀眾——成為Netflix的新常態(tài)。當(dāng)“一切皆為推薦”時(shí)，推薦就是一切。

或許我們可以把推薦系統(tǒng)稱(chēng)為亞里士多德2.0的選擇架構(gòu)——它們最終能啟發(fā)并賦能數(shù)十億人嗎？還是說(shuō)，它們決定了你我他的命運(yùn)，把用戶(hù)變成了聽(tīng)從算法指令的傀儡？如果秉持亞里士多德倫理學(xué)，我們就會(huì)相信，最終，是否接受推薦的決定權(quán)還在于我們自己。然而歷史表明，人類(lèi)選擇的命運(yùn)在很大程度上取決于他們認(rèn)為自己到底是誰(shuí)。

推薦引擎代表了全球范圍內(nèi)個(gè)性化選擇、包裝、呈現(xiàn)、體驗(yàn)和理解的革命。但這場(chǎng)革命——這些選擇架構(gòu)——需要更好的理解，因?yàn)樗鼈兯茉炝巳藗兊奈磥?lái)。

推薦引擎：力量越大，責(zé)任也越大

正如亞馬遜的杰夫·貝佐斯所樂(lè)于承認(rèn)的那樣，精準(zhǔn)的推薦對(duì)于商業(yè)發(fā)展至關(guān)重要。用戶(hù)確實(shí)渴望知道與自己相似的人喜歡什么。這種知識(shí)非常適合用于訓(xùn)練越來(lái)越智能的算法；數(shù)據(jù)越多，效果越好。從TikTok到Twitter，再到Meta和LinkedIn，全球最具影響力的數(shù)字平臺(tái)不斷通過(guò)機(jī)器學(xué)習(xí)，為用戶(hù)提供更準(zhǔn)確的推薦和建議。

就像蒸汽機(jī)推動(dòng)工業(yè)時(shí)代發(fā)展，推薦引擎是推動(dòng)21世紀(jì)全球數(shù)字經(jīng)濟(jì)的主要?jiǎng)恿ΑＴ絹?lái)越明顯的是，我們?nèi)缃竦玫降淖罴呀ㄗh往往來(lái)自智能機(jī)器，而非聰明的人類(lèi)。這些巧妙的機(jī)制不斷將數(shù)據(jù)轉(zhuǎn)化為相關(guān)、多樣、新穎、甚至充滿(mǎn)驚喜的選項(xiàng)。它們通過(guò)學(xué)習(xí)人們的選擇、探索和對(duì)選擇的忽略來(lái)不斷優(yōu)化。這令它們看起來(lái)像是不可阻擋且不可避免的未來(lái)。英偉達(dá)（Nvidia）首席執(zhí)行官兼聯(lián)合創(chuàng)始人黃仁勛在2021年曾表示：“推薦系統(tǒng)是我們這個(gè)時(shí)代最重要的人工智能系統(tǒng)。它是搜索、廣告、在線(xiàn)購(gòu)物、音樂(lè)、書(shū)籍、電影、用戶(hù)生成內(nèi)容和新聞的核心引擎?！?/p>

也是在2021年，TikTok的推薦算法被《麻省理工科技評(píng)論》（MIT Technology Review）評(píng)選為當(dāng)年的“全球十大突破性技術(shù)”之一。TikTok將網(wǎng)紅博主的視頻與新人博主的視頻混合放在“為你推薦”（For You）頁(yè)面，根據(jù)播放量獎(jiǎng)勵(lì)優(yōu)質(zhì)創(chuàng)作內(nèi)容，用這種方式將更多新人博主的視頻推給廣大用戶(hù)。不同于其他社交媒體平臺(tái)的是，每個(gè)人都有機(jī)會(huì)在TikTok平臺(tái)上一夜成名。

TikTok的推薦算法通過(guò)向具有相似興趣或?qū)傩缘挠脩?hù)推薦視頻，實(shí)現(xiàn)了“精準(zhǔn)推送”的效果，大大提升了視頻的播放量，從而使優(yōu)質(zhì)的創(chuàng)作內(nèi)容得到快速傳播。視頻博主有多少粉絲、是否走紅過(guò)等因素并不會(huì)作為 TikTok 推薦算法的判斷依據(jù)，推薦取決于視頻標(biāo)題、音樂(lè)、內(nèi)容標(biāo)簽等因素，并結(jié)合觀眾點(diǎn)贊和觀看的視頻、用戶(hù)的內(nèi)容偏好以及小眾興趣領(lǐng)域等數(shù)據(jù)。最終,通過(guò)經(jīng)典的協(xié)同過(guò)濾（collaborative filtering）和基于內(nèi)容（content-based）的推薦方法，實(shí)現(xiàn)個(gè)性化推薦。

TikTok的推薦算法不僅能夠精準(zhǔn)推薦用戶(hù)感興趣的視頻，還能幫助用戶(hù)拓展新的話(huà)題領(lǐng)域，滿(mǎn)足用戶(hù)對(duì)新奇性和意外性的需求。正因如此，該算法才會(huì)被評(píng)為“全球十大突破性技術(shù)”之一，這主要是因?yàn)樗軌驖M(mǎn)足每個(gè)用戶(hù)的特定興趣，而不僅僅是強(qiáng)調(diào)追隨熱點(diǎn)的“從眾效應(yīng)”。

隨著互聯(lián)網(wǎng)應(yīng)用水平的提高，用戶(hù)對(duì)于互聯(lián)網(wǎng)內(nèi)容的需求越來(lái)越具體和精準(zhǔn)，這使得個(gè)性化的信息服務(wù)日益受到用戶(hù)的青睞。而衡量個(gè)性化推薦結(jié)果好壞的評(píng)價(jià)指標(biāo)，除了人們?nèi)菀紫氲降木珳?zhǔn)度（precision）以外，還包括多樣性（diversity）、新穎性（novelty）、驚喜性（serendipity）、可解釋性（explainability），以及近幾年來(lái)新提出的公平性（fairness）。

簡(jiǎn)單來(lái)說(shuō)，精準(zhǔn)度表示在推薦給用戶(hù)的所有內(nèi)容中，真正與用戶(hù)興趣相關(guān)的內(nèi)容所占的比例。精準(zhǔn)度越高，說(shuō)明推薦系統(tǒng)越能準(zhǔn)確地抓住用戶(hù)的興趣點(diǎn)，推薦的內(nèi)容越符合用戶(hù)的需求。多樣性衡量推薦內(nèi)容是否涵蓋了廣泛的主題或類(lèi)別，從而避免單一化或過(guò)于集中化的問(wèn)題。新穎性評(píng)估推薦內(nèi)容是否為用戶(hù)提供了之前未接觸過(guò)的、有新鮮感的內(nèi)容。驚喜性考量推薦內(nèi)容是否在符合用戶(hù)興趣的同時(shí)，超出用戶(hù)預(yù)期，帶來(lái)令人愉快的意外發(fā)現(xiàn)。可解釋性關(guān)注推薦系統(tǒng)是否能提供合理的解釋?zhuān)層脩?hù)理解為什么會(huì)推薦這些內(nèi)容，從而增加信任感和接受度。

在這里，多花點(diǎn)篇幅討論公平性，它是近年來(lái)新提出的重要指標(biāo)，旨在確保推薦結(jié)果對(duì)不同群體和內(nèi)容創(chuàng)作者不存在偏見(jiàn)，以維護(hù)系統(tǒng)的公正性和包容性。從2012年起，研究者們開(kāi)始發(fā)現(xiàn)和討論不同推薦場(chǎng)景下存在的公平性問(wèn)題。例如，在工作推薦場(chǎng)景中，與同能力水平的男性相比，女性可能會(huì)被推薦更多低薪或非技術(shù)性崗位；在電影推薦場(chǎng)景中，不同性別、年齡的人可能會(huì)被推薦不同質(zhì)量的電影，如年輕用戶(hù)可能被推薦更多流行但低質(zhì)量的電影，而年長(zhǎng)用戶(hù)可能獲得更多高評(píng)分但小眾的電影；在圖書(shū)推薦場(chǎng)景中，某些平臺(tái)可能更傾向于推薦由主流群體作者撰寫(xiě)的書(shū)籍，而忽視少數(shù)族裔作者的作品。此外，還可能存在地域或文化偏差，例如，在國(guó)際電商平臺(tái)上，不同地域的用戶(hù)可能接收到質(zhì)量或價(jià)格不同的商品推薦，某些地區(qū)用戶(hù)看到的商品更昂貴或更低端；在內(nèi)容消費(fèi)上，用戶(hù)可能更多接收到西方文化背景的內(nèi)容，而非本地語(yǔ)言或文化的內(nèi)容。特別地，社交媒體的推薦中，內(nèi)容質(zhì)量偏差十分明顯，高互動(dòng)的低質(zhì)量?jī)?nèi)容（如點(diǎn)擊誘導(dǎo)性標(biāo)題、煽動(dòng)情感的內(nèi)容、謠言等）比低互動(dòng)的高質(zhì)量?jī)?nèi)容更容易被推薦。

2019年有研究者提出，基于熱門(mén)內(nèi)容的推薦會(huì)帶來(lái)推薦系統(tǒng)中的“熱點(diǎn)偏差”（popularity bias）。它指的是推薦系統(tǒng)過(guò)于偏向流行內(nèi)容，而忽視了不太熱門(mén)或小眾內(nèi)容的現(xiàn)象。這種偏差會(huì)導(dǎo)致用戶(hù)頻繁接收到高度流行的內(nèi)容推薦，而高質(zhì)量但不夠受歡迎的內(nèi)容則可能被埋沒(méi)。比如，音樂(lè)推薦中，流行藝術(shù)家或熱門(mén)歌曲更容易被推薦，而獨(dú)立音樂(lè)人或小眾音樂(lè)則常遭忽視。視頻推薦方面，YouTube等平臺(tái)傾向于推薦大V的內(nèi)容，而忽視中小創(chuàng)作者的視頻，即便后者質(zhì)量很高。這種偏差對(duì)用戶(hù)和內(nèi)容創(chuàng)作者都有影響：對(duì)用戶(hù)來(lái)說(shuō)，它降低了多樣性，使用戶(hù)接收到的推薦內(nèi)容趨于單一，可能錯(cuò)過(guò)其他符合興趣的小眾或新穎內(nèi)容；長(zhǎng)期接受相似的推薦也可能讓用戶(hù)感到厭倦，降低對(duì)系統(tǒng)的滿(mǎn)意度。對(duì)內(nèi)容創(chuàng)作者來(lái)說(shuō)，高質(zhì)量的小眾創(chuàng)作者可能因?yàn)榱餍袃?nèi)容的壟斷而失去被推薦的機(jī)會(huì)，最終產(chǎn)生資源分配不公，即資源和收益過(guò)度向流行創(chuàng)作者傾斜。

推薦系統(tǒng)產(chǎn)生不公平的原因多種多樣：歷史數(shù)據(jù)中存在性別、種族、社會(huì)群體等的刻板印象，算法通過(guò)學(xué)習(xí)這些數(shù)據(jù)強(qiáng)化了偏見(jiàn)；算法基于特定的用戶(hù)群體偏好標(biāo)簽，而非個(gè)體興趣；數(shù)據(jù)集中在某些主流市場(chǎng)或語(yǔ)言，忽視了小眾地區(qū)或文化的需求；算法優(yōu)先考慮點(diǎn)擊率、點(diǎn)贊等互動(dòng)指標(biāo)，而非內(nèi)容的實(shí)際質(zhì)量；系統(tǒng)的訓(xùn)練數(shù)據(jù)往往來(lái)自于用戶(hù)的歷史行為，而這些行為通常集中在一些熱門(mén)內(nèi)容上，導(dǎo)致系統(tǒng)在訓(xùn)練過(guò)程中對(duì)流行內(nèi)容產(chǎn)生偏好，等等。

也因此，需要在算法中加入公平性約束，避免過(guò)于依賴(lài)單一維度的優(yōu)化。推薦系統(tǒng)要做好多樣性平衡，確保推薦內(nèi)容涵蓋不同群體、領(lǐng)域和觀點(diǎn)。還應(yīng)定期檢測(cè)推薦算法是否存在不公平現(xiàn)象，并通過(guò)調(diào)整模型或數(shù)據(jù)改進(jìn)。與此同時(shí)，加大算法的透明度與可解釋性，讓用戶(hù)了解推薦的依據(jù)，并給予反饋權(quán)。

上述情況說(shuō)明，為什么在2018年學(xué)術(shù)界和產(chǎn)業(yè)界就提出“負(fù)責(zé)任推薦”（Responsible Recommendation, FAccTRec）的概念，并舉辦多屆專(zhuān)門(mén)的國(guó)際會(huì)議，圍繞推薦系統(tǒng)的公平性、問(wèn)責(zé)性和透明性（Fairness, Accountability, and Transparency，簡(jiǎn)稱(chēng)FAccT）逐步形成一系列共識(shí)：消除算法對(duì)特定群體、內(nèi)容或創(chuàng)作者的系統(tǒng)性偏見(jiàn)，確保推薦結(jié)果對(duì)不同性別、種族、年齡、地域或內(nèi)容類(lèi)別公平分配；提供透明的推薦邏輯，讓用戶(hù)了解為什么會(huì)推薦某些內(nèi)容或產(chǎn)品；讓開(kāi)發(fā)者和平臺(tái)運(yùn)營(yíng)者能夠解釋算法行為和決策；確保推薦系統(tǒng)的設(shè)計(jì)、數(shù)據(jù)使用和算法邏輯對(duì)用戶(hù)和開(kāi)發(fā)者透明，允許外部專(zhuān)家和社會(huì)公眾對(duì)系統(tǒng)進(jìn)行審查和反饋；確保系統(tǒng)開(kāi)發(fā)者和運(yùn)營(yíng)者對(duì)推薦算法的決策和影響負(fù)責(zé)，制定明確的責(zé)任歸屬機(jī)制，例如用戶(hù)投訴或問(wèn)題反饋渠道；增加推薦結(jié)果的多樣性，避免熱點(diǎn)偏差或同質(zhì)化現(xiàn)象，鼓勵(lì)推薦系統(tǒng)覆蓋更多文化、語(yǔ)言和小眾群體內(nèi)容；最后，推薦系統(tǒng)的優(yōu)化不僅要考慮短期的商業(yè)效益，還需關(guān)注長(zhǎng)期的社會(huì)和環(huán)境影響，例如高計(jì)算成本或能源浪費(fèi)。

通過(guò)這些原則設(shè)計(jì)和優(yōu)化推薦系統(tǒng)，“負(fù)責(zé)任推薦”旨在實(shí)現(xiàn)更公正、可靠和包容的用戶(hù)體驗(yàn)和社會(huì)影響。它強(qiáng)調(diào)技術(shù)設(shè)計(jì)與社會(huì)倫理的結(jié)合，減少算法偏差帶來(lái)的負(fù)面影響，同時(shí)增強(qiáng)用戶(hù)信任和平臺(tái)可持續(xù)發(fā)展。

從推薦引擎到自我發(fā)現(xiàn)引擎

從行業(yè)實(shí)踐來(lái)看，許多科技公司已開(kāi)始嘗試在其推薦系統(tǒng)中融入公平性和透明性原則。像亞馬遜這樣的商業(yè)推薦系統(tǒng)提供了有關(guān)人們可能購(gòu)買(mǎi)什么的良好建議。Netflix優(yōu)化算法，以確保推薦的內(nèi)容不僅來(lái)自主流高點(diǎn)擊率作品，還包括不同地區(qū)、小眾題材以及多元文化的電影和劇集，從而避免“熱點(diǎn)偏差”。Spotify針對(duì)小眾藝術(shù)家優(yōu)化算法，以規(guī)避推薦系統(tǒng)過(guò)于傾向頭部藝術(shù)家的問(wèn)題。它還推出了“Fresh Finds” 等播放列表，專(zhuān)門(mén)推廣新興和獨(dú)立音樂(lè)人。YouTube開(kāi)始向用戶(hù)解釋推薦邏輯，并允許用戶(hù)標(biāo)記“不感興趣”或阻止特定頻道，從而影響未來(lái)的推薦內(nèi)容。LinkedIn 調(diào)整了算法，減少性別偏見(jiàn)，確保相同資歷的用戶(hù)能夠獲得類(lèi)似的職位推薦機(jī)會(huì)。同時(shí)，它還提供職位推薦的“原因”解釋?zhuān)ㄈ缁谇舐殮v史、技能或地域），讓用戶(hù)對(duì)推薦結(jié)果有更清晰的理解。

然而，真正的推薦革命更多地圍繞著你想成為什么樣的人，而不是你需求什么和想要消費(fèi)什么。如果把推薦系統(tǒng)視為選擇架構(gòu)，具有挑戰(zhàn)性的選擇迫使人們重新思考他們真正想要的是什么——以及他們想做什么。

回到本文開(kāi)頭提出的問(wèn)題：推薦系統(tǒng)現(xiàn)在在決定我們的命運(yùn)嗎？真正設(shè)計(jì)良好、算法調(diào)優(yōu)且數(shù)據(jù)豐富的推薦系統(tǒng)無(wú)疑促進(jìn)了更高的自我意識(shí)。人們選擇忽視的推薦、建議和忠告——包括觀看什么、去哪兒、關(guān)注誰(shuí)——可能與他們采納的建議一樣具有啟示性。

著有《推薦引擎》（recommendation engines）一書(shū)的麻省理工學(xué)院研究者邁克爾·施拉格（Michael Schrage）甚至認(rèn)為，推薦引擎的真正力量超越了自我意識(shí)，而達(dá)到了自我發(fā)現(xiàn)的層面。人們體驗(yàn)到的有效推薦系統(tǒng)，不僅僅是量身定制的、個(gè)性化的顧問(wèn)，更是通向更深自我認(rèn)知的門(mén)戶(hù)。它們的建議變成某種數(shù)字化的鏡子，促進(jìn)并激勵(lì)著人們的自省和反思。我們?cè)诖宋阈枰脕喞锸慷嗟?，而是可以上溯他老師的老師，也就是蘇格拉底。這位被德?tīng)栰成裰I認(rèn)定為全希臘最聰明的人早就說(shuō)過(guò)：認(rèn)識(shí)你自己，是所有智慧的開(kāi)始。

將推薦引擎提升為自我發(fā)現(xiàn)引擎，需要三個(gè)基本的且相互關(guān)聯(lián)的元素。第一個(gè)是顯而易見(jiàn)的：推薦引擎可靠、簡(jiǎn)單且輕松地提供可衡量的更好選擇。也就是說(shuō)，用戶(hù)在使用時(shí)很快意識(shí)到，他們自己不太可能輕易發(fā)現(xiàn)這些選擇。他們也知道，朋友、同事和家人難以做到推薦某個(gè)藝術(shù)家、某段視頻或某些類(lèi)型的工作機(jī)會(huì)。但是，當(dāng)推薦引擎的建議激發(fā)了人們的好奇心和進(jìn)一步探索的欲望，比如說(shuō)，想更多地理解特定藝術(shù)家，或觀看某一類(lèi)型的其他視頻，或更深入地了解心儀的雇主時(shí)，這些推薦引擎也會(huì)幫助使用它們的公司。

推薦系統(tǒng)設(shè)計(jì)的架構(gòu)和技術(shù)訣竅在于其數(shù)據(jù)收集、持續(xù)的算法創(chuàng)新和網(wǎng)絡(luò)效應(yīng)的巧妙結(jié)合。人們使用這些系統(tǒng)的次數(shù)越多，它們變得越有價(jià)值；而它們?cè)接袃r(jià)值，人們就越多使用它們。機(jī)器學(xué)習(xí)能力加速了這一良性循環(huán)，確保推薦和建議變得越來(lái)越相關(guān)和引人注目。人們能夠更好地在所推薦的選擇中看到自己。也就是說(shuō)，這些選項(xiàng)和機(jī)會(huì)最好地反映了他們接下來(lái)想做的事情。

賦能的愉悅感是促進(jìn)自我發(fā)現(xiàn)的下一個(gè)關(guān)鍵元素。人們可以根據(jù)更好的選擇采取行動(dòng)；他們擁有能動(dòng)性。他們可以播放這首歌、觀看那段視頻，或者比較公共交通和優(yōu)步哪個(gè)更快。他們可以放縱自己的好奇心，探索各種可能。他們可以開(kāi)展社交，與朋友分享推薦的行動(dòng)：“你覺(jué)得這事怎么樣？”這種賦能帶來(lái)了互動(dòng)，而互動(dòng)又增強(qiáng)了能力，人們可以成為合作伙伴，共同做出更好的選擇。

最后，更好的選擇和更大的賦能帶來(lái)了更敏銳的自我洞察。人們可以更多了解自己，就像推薦引擎如此了解他們一樣。他們建立的音樂(lè)播放列表、追看的劇集、記下想法的圖書(shū)——這些選擇反映了他們是誰(shuí)，以及他們想成為什么樣的人。如同堅(jiān)持發(fā)朋友圈仿佛寫(xiě)自省日記，推薦引擎也可以成為自省引擎。

假如能夠掃描、匯總并分析我們接觸到的所有推薦系統(tǒng)和數(shù)字化建議，會(huì)有哪些改變?nèi)松亩床旄‖F(xiàn)出來(lái)？以往，人類(lèi)就何為好建議提供好建議；現(xiàn)在，機(jī)器就何為好的推薦提供偉大的推薦。

當(dāng)推薦引擎變成自我發(fā)現(xiàn)引擎，結(jié)果可能是，理解我們是誰(shuí)，以及我們想成為什么樣的人，關(guān)鍵取決于那些與我們一起學(xué)習(xí)、從我們身上學(xué)習(xí)并為我們學(xué)習(xí)的機(jī)器。到此，蘇格拉底“認(rèn)識(shí)你自己”的箴言，將擴(kuò)大為“認(rèn)識(shí)你的機(jī)器”。