推荐算法

它是什么

推荐算法，是根据你以往的记录，给出下一步建议的方法。

它吃进去的是记录，比如：看过什么书、哪一题常错、停留了多久、点过什么。它交出来的是建议列表，比如：下一本书、三道练习、一条视频。

它不是随便猜。它在已有数据里找「更可能合用」的东西。它也不等于真正懂你这个人，只是根据留下的痕迹来排建议。

一句很好记的比喻是：

「喜欢这本书的人也看了……」

这就是「找相似脚印」的小孩说法。系统发现：和你口味接近的人，还看过另一本，于是把那一本放到你面前。这不是读心术，是找相似的脚印。大人有时把这种办法叫协同过滤，意思差不多。

名字从哪来

人本来就会互相推荐。同学说「这本很好看」，就是最早的推荐。

电脑要自动做这件事，得先把「谁喜欢什么」记下来。1990 年代，实验室里的邮件和新闻系统开始试：让大家给文章打分，再把分数借给口味相近的人。其中有一套叫 GroupLens 的新闻推荐，常被写进这段历史。

2000 年代前后，网上书店出现「买了这个的人，也常看那个」。那是把「物和物」的相似关系算出来，好给很多人同时用。

2006 年到 2009 年，Netflix 办过一次电影评分比赛。世界各地的研究者比赛：怎样根据已有打分，猜你会给没看过的电影几分。推荐从「小圈子互相介绍」，变成可以在海量记录上计算的技术。

今天的视频、阅读、练习软件，大多还在用「找相似的人」或「找相似的东西」这类想法。外面又加上更新的模型。对小学生，先记住那句「喜欢这本书的人也看了」，就已经抓住核心。

怎么工作

常见有两条路。

找相似的人。 你和另一位同学都爱看侦探故事。那位同学还看了科普，系统可能把科普也推给你。

找相似的东西。 很多人看完 A 书接着看 B 书。你刚看完 A，系统就推出 B。

还有按内容本身推的：书名、主题、难度和你刚看的接近。几种方法常常混在一个软件里。

它依赖 记录。记录太少，建议会飘；记录太偏，建议会把你越推越窄。那已经碰到 偏见的边。

推荐给出的是「看起来合用」。不是唯一真理，也不是老师的命令。

生活里

校园里最容易抓到的，是推荐书和推荐练习。

• 作业软件说：「根据你昨天的错题，建议再练这三道。」
• 阅读软件说：「看完这本，下一本可能合你口味。」

家里和网上：

• 视频软件自动弹出下一条
• 商店页面写「买了这个的人，也常看那个」
• 音乐软件接着放风格接近的歌
• 地图或点餐软件按你常去的地方给建议

注意：推荐出现时，旁边常常还有别的本领。拍题先靠 图像识别认出题目，再靠推荐决定下一道练什么。一个 App 可以同时有好几种 人工智能。

相近差别

它和语音、图像也不一样。语音识别管听，图像识别管看，推荐管「下一步给你什么」。

它和 人类智能里的「懂你」更不一样。朋友推荐书，可能因为今天看见你不开心；软件推荐书，是因为记录里留下了脚印。脚印不是整个人。

常见误会

误会 1：推荐就是软件随便猜。

它通常看着记录来。「根据你的错题」就是线索。

误会 2：推荐的一定是最好的。

它给的是「看起来合用」。不一定适合今天的你，也不一定是老师希望你练的那一类。

误会 3：被推荐得多，就说明你更聪明。

推荐数量和聪明无关。只说明系统在尝试给你下一条。

误会 4：它能读心。

它看不见你心里在想什么。它只看见你点过什么、停过多久。没留下的痕迹，它常常当不存在。

误会 5：一直点下去，世界会更宽。

有时正好相反。总点同一类，它可能越推越窄。人可以主动换一类书，把选择权拿回来。

想知道更多

• 书：蔡宗翰《写给小学生看的 AI 课》（有「为什么总弹出下一条」这类生活问题）。
• 书：《图解 10 岁就懂的 AI 入门》。
• 书：清华大学《人工智能通识（小学版）》。
• 电影不必专门找「推荐算法片」。看视频软件时，自己问三句就够：它根据我的什么记录？这个建议有没有用？会不会把世界变窄？
• 纪录片：《你好，人工智能》里常有互联网怎样用数据推内容的片段。和家长一起看。