投稿|如何摆脱信息茧房？( 三 )
算法原理从框架而言，推荐系统一般包含“召回”和“排序”两方面 。
不论是信息还是消费类电商平台，多半以此类型来训练用户，而算法又基于「内容」和「用户行为」两大类别展开 。
我们知道普通人的思维方式分为两种类型：
1）线性思维，2）非线性思维」
前者是把认识停留在对事物的抽象而非本质上，并以这样的抽象为出发点，片面、直线的解释某件事；后者是把认识停留在对事物的抽象层并以基石出发来看底层原理 。
机器学习方式和人相似，也分为线性和多种思维（学习）模型，最主要区别是一方面偏向基础原理，一方面偏向多元化加工；从专业角度出发市面一共有6种常用方式：
1）过滤算法，2）矩阵算法；3）因子分解机，4）逻辑回归；5）梯度提升决策树，6）深度神经网络过滤
它们用在什么位置呢？
要知道，人们看到的所有信息均展示在APP的首页或分类上，在推荐系统中它们属于最上层的展示层，算法属于中间层，数据是最底层；而算法的主要功能就是排序和召回，上述的六种模型均服务它们两者 。
举个例子：
我们经常使用某款APP，它习惯性的抓取自己点击的每个图片或者下方的内容，然后以此用打标签的方式归类在后台中，该行为属于排序，进一步说平台可以收集一个账号的多个标签排序 。
可当自身许久没有打开该APP时，机器就基于自身感兴趣的内容，通过push，短信的方式召回我们 。
大部分大平台（小红书、抖音、快手）的推荐系统分人工干预和自动推荐两种，前者顾名思义人来操作，后者是给机器设定固定时间来循环使用 。
自动推荐是什么呢？
若进一步展开解释，如抖音和头条的监督学习算法Y= F(Xi ,Xu ,Xc)，这三个函数包含三个维度的变量分别为：1）内容，2）用户特征，3）环境特征
三者匹配起来是一个复杂的数学问题；市面常用模型有好几种，字节系无非是把多模型混合使用，简单来说就是：你是谁、你在哪里、你爱看什么？基于这些给你推荐什么 。
一般当推荐系统的自动化运作时，它就像山头巡视的小兵，不断从整个物品或者信息聚合中抽取当次需要查询的候选集；根据各种不同维度，如物品、年龄、性别、爱好，场景等种类以及规模的大小对候选集进行推送 。
此场景犹如流水线工作的「抽样检查」，也同样用在大部分平台的召回手段上，具体策略是什么样呢？
其一：内容过滤（Content Filtering）
其二：协同过滤（Collaborative Filtering）
资讯类产品的内容审核是不可缺失一部分，主要目的是确保无低质庸俗，保持平台该有的调性；通常有“先发后审”和“先审后发”两个原则 。
场景较轻如网易云，QQ音乐此类阅读、听歌类产品通常是前者；对社区论坛、偏观点讨论、树立权威通常是后者；因此内容抽检或过滤的基础也是查敏感关键词、重复度、IP发布次数等权重指数 。
协同过滤是基于已知部分用户或部分物品的偏好或评分，预测缺失偏好或评分的一种方法 。
从切入点上，则可分为基于“去邻域”的方法（本地生活类平台使用居多）和隐语义模型（给每个分类中不同维度标签的人进行推送），比较难理解对不对？
举个例子：
跟朋友聚餐会习惯性打开美食点评平台去搜索周边餐厅，过程中我们能看到按照公里排行的推荐、也有部分商家的竞价广告 。
疑问的是，你会发现那些广告的美食是自己日常爱吃的，并且区域也不是太远，为什么会这么做？
推荐阅读
- iphone|苹果教你如何让 iPhone 电池保持健康
- 投稿|一度超越微信登AppStore榜首，但“元宇宙”社交也难逃“月抛”魔咒
- 投稿|陕旅饭店集团破产重整，昔日“混改模范”为何沦为反面教材？
- 投稿|疫情之下，本土自主设备如何突围？中国制造的投机主义和长期主义
- 投稿|即视角｜出海正当时：欧美、东南亚、中东、拉美市场观察
- 投稿|“东南亚小腾讯”跌入谷底：受阻的业务飞轮撑不起千亿市值
- 投稿|员工行为几乎全裸？深信服“监控门”背后
- 投稿|信任危机？一场针对民族企业的商业“阳谋”
- 投稿|体量庞大，微软还能突飞猛进吗？
- 投稿|估值近百亿，从下沉市场走出来的书亦烧仙草，凭什么成黑马？