当然 ， 最简单、最基础的算法 ， 也就存在预测能力不够强的问题 。 形象地说 ， 只用简单的线性回归 ， 无法把特征值里隐含的信息全都榨取出来 ， 所以预测效果不见得特别好 。 于是科学家和工程师们想了很多办法来压榨特征值里的信息 。 一种办法叫“特征工程”（feature engineering） ， 说白了就是从已知的特征值推导出新的特征值 ， 例如根据用户的手机型号、购物清单给用户打上“购买力强”或者“时尚潮人”的新标签 ， 这就是一种简单的特征工程 。
另一种压榨特征值的办法是把起初的特征信息视为一“层”输入 ， 然后用各种数学方法把输入层变换成新的信息节点 ， 从而形成一个多层的“网络” 。 这个变换的过程可以重复进行 ， 变换的层数越多 ， 就说这个网络越“深”——这就是“深度学习”（deep learning）这个词的由来 。
尽管科学家经常用“神经元”、“神经网络”来类比这些数学变换的结果 ， 但很多时候 ， 经过这些变换得到的信息节点几乎没有现实世界中的含义 ， 纯粹是一种数学工具的产物 。 所以业界有一种说法：深度学习就像炼金术（国内也称“炼丹”） ， 把数据丢进神经网络 ， 不知道什么原因就炼出结果了——如果结果不理想 ， 就再加几层神经网络 。
我国《规定》的意义和疑虑
正因为业界对算法推荐、对深度学习技术的依赖 ， 此次的《规定》才显得尤为重要 。 笔者认为 ， 《规定》的公布 ， 一方面迫使互联网企业约束自身行为 ， 要用算法推荐技术为善 ， 坚持主流价值导向、积极传播正能量 ， 而不能制造信息茧房、诱导用户沉迷；另一方面迫使互联网企业加强内部能力建设 ， 建立算法审核能力 ， 主动选择并优化可被理解、可被审核的推荐算法 ， 而不能搞唯技术论、过度依赖“炼金术”式的推荐算法 。
不过 ， 毕竟此次的《规定》是一个开世界先河的新事物 ， 在其实施过程中 ， 笔者还是有一些具体的疑虑 。
首先 ，算法机制机理审核和科技伦理审查如何落实 ， 对于监管机构可能是一个新的挑战 。 虽然《规定》要求“算法推荐服务提供者应当定期审核、评估、验证算法机制机理、模型、数据和应用结果” ， 但这项要求是否落到实处 ， 互联网企业是否真的进行了审核、评估和验证 ， 算法结果是否合乎要求 ， 其中可能有很大模糊空间 。 毕竟算法推荐审核不像违法不良信息审核 ， 只要发现违法不良信息立即就能知道审核过程有问题 ， 而算法推荐审核的效果是在长期、大范围的统计意义上表现出来的 ， 如何核实审核是否确实落地 ， 本身可能就是一个技术难题 。
其次 ， 说明提供算法推荐服务的情况和允许用户关闭个性化推荐的选项 ， 虽然各主要互联网企业已经实现了这些功能 ，但很难说是“以显著方式”告知用户 。 笔者作为IT专业人士 ， 又是有意寻找 ， 仍然花了一番功夫才找到几大App分别把“关闭算法推荐”的选项藏在哪里 。
当然从互联网企业的角度 ， 他们肯定希望把这个功能藏在大多数用户找不到的地方 ， 毕竟绝大多数用户找不着的功能就等于不存在的功能 。 那么从监管立场 ， 为了避免“用户关闭算法推荐服务”的权利变成一句空话 ， 是否应该考虑像GDPR那样 ， 要求用户“明确许可”之后才能提供个性化推荐？

文章图片

GDPR要求网站必须获得用户明确许可后才能通过Cookie记录用户信息 ， 迫使网站以真正显著的方式征求用户许可