信息流推(tui)薦(jian)算(suan)法通常在(zai)用(yong)(yong)(yong)戶(hu)授權的(de)(de)前(qian)提下(xia)，利用(yong)(yong)(yong)用(yong)(yong)(yong)戶(hu)在(zai)信息內容(rong)上的(de)(de)各類行(xing)為表達, 理解用(yong)(yong)(yong)戶(hu)的(de)(de)興趣(qu)需求，為用(yong)(yong)(yong)戶(hu)盡快找(zhao)到心儀的(de)(de)內容(rong)集合、商(shang)品集合，同(tong)時也可以(yi)幫(bang) 助(zhu)生產側快速獲取用(yong)(yong)(yong)戶(hu)。在(zai)電(dian)商(shang)場景，信息流推(tui)薦(jian)算(suan)法可以(yi)大幅提升用(yong)(yong)(yong)戶(hu)和商(shang)品、 內容(rong)的(de)(de)匹配(pei)效(xiao)率，讓用(yong)(yong)(yong)戶(hu)、商(shang)家和平臺共(gong)同(tong)受益(yi)。

在廣泛應用和快速(su)發(fa)展中，信息流推薦也逐漸(jian)出(chu)現了(le)一些問題。一方面，對于用戶(hu) 可能造成信息繭房問題，具體表(biao)現為(wei)推薦結果越來越單一和同質(zhi)化(hua)。另一方面，對 于生產(chan)者可能造成馬(ma)太(tai)效應，即流量在頭部生產(chan)者的聚集現象越來越明顯。

上(shang)述問題的(de)根源，在于(yu)推薦算法設計(ji)階段，過于(yu)關注流量的(de)分發效率、點擊率的(de)優(you) 化、成交轉化率的(de)提升，相對忽(hu)視了(le)用(yong)戶實(shi)際體驗以(yi)及(ji)生產側供(gong)給生態的(de)持(chi)續優(you)化。 此(ci)外，深度學(xue)習自(zi)身的(de)不可解釋(shi)等(deng)固有缺陷也給系統的(de)優(you)化和干預增加了(le)挑(tiao)戰。

淘寶積極開(kai)展技(ji)術和(he)機制上的(de)創(chuang)新，致(zhi)力于解決(jue)電商場(chang)景推(tui)薦(jian)算法(fa)(fa)的(de)缺陷。應對(dui)信 息繭房問(wen)題，不斷提升推(tui)薦(jian)結果的(de)多樣(yang)性和(he)新穎性，同時嚴格遵守《個人信息保護 法(fa)(fa)》等法(fa)(fa)律法(fa)(fa)規要求，為(wei)用戶提供推(tui)薦(jian)系統個性化(hua)退出(chu)開(kai)關。應對(dui)馬太(tai)效應問(wen)題， 持續孵化(hua)有潛力的(de)中小長尾商家和(he)高(gao)品質商品。

在實踐中淘(tao)寶提出使(shi)用(yong)多任務(wu)學習(xi)(xi)的(de)方法，通過(guo)其他 輔助任務(wu)來幫助負(fu)向(xiang)(xiang)興趣(qu)的(de)學習(xi)(xi)。在負(fu)向(xiang)(xiang)興趣(qu)建模中，分別(bie)引入用(yong)戶的(de)近期(qi)(qi)(qi)點(dian)擊行 為(wei)、長(chang)期(qi)(qi)(qi)點(dian)擊行為(wei)來刻畫(hua)用(yong)戶的(de)正(zheng)向(xiang)(xiang)興趣(qu)，引入用(yong)戶的(de)負(fu)反饋行為(wei)、近期(qi)(qi)(qi)曝(pu)光未點(dian) 擊行為(wei)來刻畫(hua)用(yong)戶的(de)負(fu)向(xiang)(xiang)興趣(qu)。長(chang)期(qi)(qi)(qi)、大量的(de)線上數據表明，使(shi)用(yong)該(gai)方法能(neng)夠促使(shi) 針(zhen)對整體商品的(de)負(fu)反饋明顯下降。