算法是否能服务人在获取信息时对效率提升、公平发展的诉求？
今年 ， 在中国人民大学高瓴人工智能学院举办的“推荐算法社会价值与可持续发展”研讨会上 ， 我们发布了《算法向善与个性化推荐发展研究报告》（下称《报告》） 。
在这份算法科普性报告中 ， 课题组围绕这些热点问题进行了探讨 。
1. 算法是什么？我们为何需要算法？
互联网数据中心发布的《数据时代2025》报告显示 ， 全球每年产生的数据将从2018年的33ZB（十万亿亿字节）增长到175ZB ， 相当于每天产生491EB（百亿亿字节）的数据 。
在本质上 ， 算法是“以数学方式或者计算机代码表达的意见” 。 其中 ， 推荐系统就是一个信息过滤系统 ， 帮助用户减少因浏览大量无效数据而造成的时间、精力浪费 。

文章图片

小学时用数学公式解决“鸡兔同笼”问题 ， 就运用了算法思维 。

文章图片

推荐算法帮助“宝妈”节省信息搜索时间 2. 推荐技术发展历史上的关键事件有哪些？
“信息过载（Information Overload）”是在上个世纪80、90年代就已经存在的概念 。 随着信息技术和互联网的快速发展 ， 人类从信息匮乏时代走向了信息过载时代 。
《报告》研究指出 ， 早期的研究提出了通过信息检索和过滤的方式来解决这个问题 。
到了上世纪90年代中期 ， 研究者开始通过预测用户对推荐的物品、内容或服务的评分 ， 试图解决信息过载问题 。 推荐系统由此也成为独立研究领域出现了 。

文章图片

推荐系统发展历史 3. 推荐系统的核心技术有哪些？
在《报告》看来 ， 推荐系统发展至今 ， 其核心技术可大致分为“基于协同过滤的推荐方法”、“基于内容的推荐方法” ， 以及“混合推荐方法” 。
基于协同过滤的推荐方法 ， 本质是根据相似的用户具有相似的喜好 ， 推荐给他们喜欢的物品、内容或者服务 。

文章图片

基于协同过滤的推荐方法
基于内容的推荐方法：根据项的相关信息（描述信息、标签等）、用户相关信息及用户对项的操作行为（评论、收藏、点赞、观看、浏览、点击等） ， 来构建推荐算法模型 。

文章图片

基于内容的推荐方法
混合推荐方法：衡量各推荐方法的利弊 ， 扬长避短 ， 通过加权、切换、混杂、特征组合等方式避免或弥补各推荐技术弱点 ， 进一步提升推荐方法性能 。

文章图片

混合推荐算法 4. 什么是个性化推荐算法？
纵观推荐系统的发展历史 ， 可将其大致分为非个性化推荐系统和个性化推荐系统 。
其中 ， 个性化推荐系统 ， 就是为每一个特定用户提供特定的服务 ， 实现‘千人千面’ ， 服务个性化诉求 。

文章图片

在个性化推荐算法下 ， 不同人搜索“京剧”一词结果不同 5. 推荐算法 ， 是否注定会导致信息窄化？