信息流推薦算法通常在用戶授權的前提下，利用用戶在信息內(nèi)容上的各類行為表達, 理解用戶的興趣需求，為用戶盡快找到心儀的內(nèi)容集合、商品集合，同時也可以幫 助生產(chǎn)側快速獲取用戶。在電商場景，信息流推薦算法可以大幅提升用戶和商品、 內(nèi)容的匹配效率，讓用戶、商家和平臺共同受益。

在廣泛應用和快速發(fā)展中，信息流推薦也逐漸出現(xiàn)了一些問題。一方面，對于用戶 可能造成信息繭房問題，具體表現(xiàn)為推薦結果越來越單一和同質化。另一方面，對 于生產(chǎn)者可能造成馬太效應，即流量在頭部生產(chǎn)者的聚集現(xiàn)象越來越明顯。

上述問題的根源，在于推薦算法設計階段，過于關注流量的分發(fā)效率、點擊率的優(yōu) 化、成交轉化率的提升，相對忽視了用戶實際體驗以及生產(chǎn)側供給生態(tài)的持續(xù)優(yōu)化。 此外，深度學習自身的不可解釋等固有缺陷也給系統(tǒng)的優(yōu)化和干預增加了挑戰(zhàn)。

淘寶積J開展技術和機制上的創(chuàng)新，致力于解決電商場景推薦算法的缺陷。應對信 息繭房問題，不斷提升推薦結果的多樣性和新穎性，同時嚴格遵守《個人信息保護 法》等法律法規(guī)要求，為用戶提供推薦系統(tǒng)個性化退出開關。應對馬太效應問題， 持續(xù)孵化有潛力的中小長尾商家和G品質商品。

在實踐中淘寶提出使用多任務學習的方法，通過其他 輔助任務來幫助負向興趣的學習。在負向興趣建模中，分別引入用戶的近期點擊行 為、長期點擊行為來刻畫用戶的正向興趣，引入用戶的負反饋行為、近期曝光未點 擊行為來刻畫用戶的負向興趣。長期、大量的線上數(shù)據(jù)表明，使用該方法能夠促使 針對整體商品的負反饋明顯下降。