Acerca de los algoritmos
Existen cinco métodos principales de algoritmos de recomendación:
Recomendación basada en contenido: es una recomendación basada en los intereses personales del usuario. Según el comportamiento histórico de un único usuario, se calcula el grado de preferencia de las características del contenido y luego se recomienda el contenido que coincida con las preferencias del usuario.
Algoritmo de filtrado colaborativo: Se trata de una recomendación basada en grupos. Hace recomendaciones basadas en la similitud de los usuarios, ** contenido y agrupa a los usuarios en diferentes grupos según las características demográficas. (Explicación: existen dos algoritmos de filtrado colaborativo comunes. Uno está basado en el usuario, es decir, calcula la similitud entre los usuarios. Si A y B tienen intereses similares, entonces a A le gustan las películas y a B probablemente también le gustarán. El otro se basa en elementos, es decir, calcula la similitud entre elementos. Si la película C y la película D son similares, a las personas a las que les gusta la película C también les puede gustar la película D...)
Recomendaciones extendidas: basadas en puntos de usuario. de interés, categorías de contenido y otras extensiones. Te gusta la información histórica, te doy información de arqueología y búsqueda de tesoros.
Nuevas recomendaciones de puntos calientes: puntualidad y recomendaciones de puntos calientes basadas en contenido global. (Cuando el producto carece de datos de usuario y datos de contenido en la etapa inicial, la eficiencia de distribución de contenido es muy baja. El efecto del uso de algoritmos de recomendación basados en contenido no es significativo, pero el uso de algunos temas candentes puede garantizar una cierta cantidad de tráfico a través del El comportamiento personal del usuario (me gusta, me gusta, comentarios, navegación y colecciones) refina gradualmente los retratos de los usuarios, precipita el contenido y se prepara para recomendaciones personalizadas posteriores).
Características ambientales: recomendaciones según región, época y escena. (Zhihu anuncia clínicas dentales y bodas en tu ciudad)
Cada algoritmo tiene un efecto diferente y sabe mejor cuando se combina, por lo que muchas empresas lo recomiendan en forma de feed de "matriz de algoritmos". (Hablaremos de esto más adelante).
Ventajas:
Revisión de la calidad del contenido, gestión de la comunidad (abuso, desgarro), productos recomendados y costos operativos de mano de obra reducidos.
Continúe recomendando feeds que le interesen, mejore la permanencia del usuario y aumente aún más el potencial de comercialización.
Permita que las necesidades de los usuarios que consumen mucho tiempo se satisfagan mejor y mejore la experiencia del usuario.
Desventajas:
1. El algoritmo en sí o la persona detrás del algoritmo tienen errores técnicos; siempre que el algoritmo esté escrito por personas, debe haber una probabilidad de error. Por ejemplo, los parlantes inteligentes que enojaron a los residentes alemanes temprano en la mañana y los autos autónomos de Uber fuera de control fueron causados por errores en el programa. El método que utilizamos para superar este problema es en realidad relativamente simple. Sin embargo, para otro algoritmo que calcula artificialmente a los consumidores, a veces es posible que no podamos hacer nada, como el fenómeno del big data que acaba con la madurez. Independientemente de si es verdadero o falso, estos problemas suelen ser difíciles de identificar, lo que aumenta la dificultad de supervisión (la palabra "dinero" no se puede ver en el video de Douyin, solo se puede ver "Q")
2. Los algoritmos ignoran la parte humana: todavía existe una enorme brecha entre la inteligencia artificial actual y la verdadera comprensión de los sentimientos y comportamientos humanos. Facebook les recuerda que la razón esencial detrás de las bendiciones de los familiares del fallecido es que la IA no puede entender realmente lo que significa la muerte para los humanos, por lo tanto, requiere una combinación de humanos y máquinas (medidas autónomas como la participación manual de la plataforma, informes de los usuarios, etc.). ), y no puede depender únicamente de algoritmos.
3. Sesgo de datos de entrenamiento de algoritmos: la lógica básica actual de la inteligencia artificial es construir primero un modelo de aprendizaje automático adecuado, luego usar una gran cantidad de datos para entrenar el modelo y luego usar el modelo entrenado para predecir nuevos datos. Aquí hay una premisa muy importante como es la importancia de introducir datos. Por ejemplo, Tay, un robot malo de Microsoft, tiene problemas porque los datos de entrada en sí están sesgados. Si los datos del mundo real en sí están sesgados, entonces los resultados del pronóstico también lo estarán.
Primero saquemos una conclusión: los algoritmos no conducirán a “capullos de información”
Una premisa importante para juzgar que “las redes sociales y las recomendaciones de algoritmos conducen a capullos de información” es que Sólo hará clic en Contenidos familiares y reconocidos que profundizan constantemente la impresión que nos causan las máquinas: ¡resulta que sólo les gusta ver esto!
Pero en realidad, esta premisa es demasiado simplista e incluso errónea.
A nivel individual, tenemos diversas motivaciones para leer. Afectados por diversos sesgos cognitivos, podemos sentirnos inclinados a hacer clic en cierto tipo de contenido, pero de ninguna manera se limita a contenido con el que estamos de acuerdo.
A nivel social: tenemos relaciones sociales en la mayoría de las aplicaciones y elegimos activamente las cuentas que seguimos. Estas cuentas tienen un impacto importante en el contenido al que tenemos acceso. Una persona que tiene ciertas conexiones sociales en la aplicación tiene menos probabilidades de caer en la visión de túnel.
Técnicamente: En cuanto a la clasificación de algoritmos, se dice que cada algoritmo tiene sus ventajas y desventajas, por lo que muchas empresas recomiendan feeds en forma de "matriz de algoritmos". Pero a los ojos del público en general, algoritmo = algoritmo de recomendación basado en contenido, ignorando que el "algoritmo de recomendación basado en contenido" es solo un tipo de algoritmo, y los productos también utilizarán otros tipos de algoritmos.
Nivel empresarial: ningún gerente de centro comercial quiere que los clientes presten atención a la misma categoría de productos cada vez que vienen al centro comercial. Restringir los intereses de los usuarios no es una buena opción para los objetivos de monetización.
Juego:
Si la recomendación es demasiado fuerte, la atención será débil. La interacción inmersiva de Tik Tok y las recomendaciones de algoritmos basados en contenido son una excelente manera de matar el tiempo. Recomiendo el cepillo de alimentación, ya que es bastante divertido. ¿Podrías prestar más atención al feed?
* * *Salud:
El algoritmo tiene deficiencias y la atención puede compensarlas o ganar algo. El feed recomendado ignora la "naturaleza social" de las personas. Tomando a Zhihu como ejemplo, los productores de contenido que seguimos nos brindan valor, por lo que necesitamos una forma de comprender el contenido resultante de docenas o cientos de personas a las que seguimos. Los momentos también satisfacen nuestras necesidades de información de espionaje. (Además, el proceso se puede inferir de los resultados. Quedará claro si Bilibili, Zhihu, Tik Tok y Aote están en nuestras manos más rápido).