当 App 沉迷做个性化定制：我在 300 次推送中完成了 20 场角色扮演

在算法推荐大行其道的今天，比自己更了解你的，既不是你的朋友，也不是你的敌人，可能是你的 app。

时不时地，我们总能被各种 app 对自己精准的寻找，吓到。

淘宝、京东的商品推荐，总让你怀疑自己莫不是被监听监看，连知乎这样的「清白之地」，似乎也在暗暗用力，不断描摹刻画你的用户画像。

被男朋友猜中心思是粉色的，被自己的 app 猜中总是有点情感复杂。被算法理解，虽然它能恰如其分地为你送上一首歌、一篇文，但这样的理解到底是存了一点孤单。

我们总是希望尽力过好丰富人生，把自己看成一个多面的棱镜，百变而神秘。但是，这种程序化的算法，似乎简简单单就将你刻画复制了出来。

从这个问题反推思考，我们是不是能借助不同的 app 完成一次自我探索的认识之旅？

算法何以了解你

既然想借助这些个看不见摸不着却强大的幕后力量，上演一出「将计就计」的好戏，那就先跳上「神坛」看看吧。?

推荐算法的产生，和人类信息环境的变化直接相关。从信息匮乏时代走向信息过载时代，每个人陡然发现在信息获取上自己面临着新的困境：庞大信息带来的低效。而推荐算法恰是为了解决这一问题。

凭借个性化的推荐和对冗余信息的有效降低，推荐算法在国内外得到了广泛使用。从亚马逊、YouTube、谷歌到今日头条、网易云音乐、淘宝京东，算法成为一个近乎魔法的概念。

▲ 亚马逊推荐算法的调整曾给卖家带来不小的震荡

基于内容的推荐算法（content-based）特别适用对文本内容的解析。将一则文本视为一条 item，通过不断地抽取、细化，为文本打上无数的标签，形成 taglist。当用户在做个性化推荐时，可以将用户最近操作过的 item 列出，用这些 taglist 模拟成一个用户模型，再用倒搜索引擎为用户推荐候选结果。在国内，采取 CB 算法的最典型代表就是今日头条。

▲ 基于内容的推荐算法可谓最为「古老」

在头条之后，新闻资讯 APP 都采取了推荐算法。文本信息的处理特性，使得基于内容的推荐算法成为主流。

协同过滤（collaborative filtering）则是从集体智慧出发实现的一种推荐。比如通过对用户喜欢的项目分析，发现用户 A 和用户 B 两人十分相似，两人都喜欢相同的内容，那么就可以把用户 A 喜欢而用户 B 还未喜欢的项目 C，尝试着推荐给 B。

另一种协同过滤则是基于 item 本身（item-based，CF ）。这种推荐不需要找到和用户 A 相似的 B，而是完全基于用户 A 的单独行为。itemA 和 itemB 十分相似，而用户 A 很喜欢 itemA，那么就可以把 B 尝试推荐给用户。网易云音乐的后端算法主要是基于这两种协同过滤算法。

?

▲ 余弦相似性是常用的计算方法

此外，基于人工神经网络的深度学习也是十分频繁常见的推荐算法。

?

▲ 图像识别是深度学习的典型应用

剔除那些细致、庞大的计算方程和运算过程，推荐算法底层逻辑的说明也不过百字之内。哪怕听起来不明觉厉的 AI 算法，也不过是更复杂的数学模型。

在神话已死的年代，科学却成为了最大的神话。

以算之道反算其身——科学驯养 app 不完全指南

在实践中，这些 app 所遵循的个性化推荐系统要复杂得多。

?

当 app 面对一个新用户，由于缺乏用户行为数据，精准个性化的推荐可谓是「巧妇难为无米之炊」，这时对新用户的推荐，会提供给他大部分人都喜欢的歌曲，这种类似于大盘数据的官方推荐，能让你在初入时，不至于那么无措；当用户在 app 上持续进行搜索、收藏、喜欢、评论等行为数据后，算法就能针对你个人和你喜欢的歌曲，衍生出庞大的推荐库。

但是基于 app 个性化推荐的底层逻辑，我们依然可以借助有意识的行为方式，科学驯养 app。

资讯 app 中都设置了众多的兴趣主题，在进入这些 app 之时，用户都需要完成一系列简单的选择。这种最初也最简单的主动选择，形成了众多差异化的用户组，借助这种聚类方法，崭新尚未被「揣摩」的我们，其实已经有了一副清浅的五官。

?

▲ 即刻上的兴趣分类

但这样的分类，往往太过粗浅，尤其在以性别作为重要分类变量下，更是显得性别固化。