推荐系统里真的存在“反馈循环”吗？

许多人说，推荐算法不过是把用户早已存在的兴趣挖掘出来，你本来就爱听流行歌、买潮牌玩具，系统只是在合适的时间把它们端到你面前，再怎么迭代，算法也改变不了人的天性，反馈循环像是研究者们的学术噱头。

我第一次认真思考这个问题的时候，是为了搞清楚推荐系统里的偏差放大（Bias Amplification）效应。

何向南的这个图示强调了推荐系统的偏差（曝光偏差、流行度偏差等）会在后续迭代中被连锁放大，最终表现为热门更热门、冷门愈冷门的马太效应，或其他不公平问题。

若不打破偏差的循环放大机制，推荐系统的性能就会持续恶化。

不少研究都认识到，在推荐服务阶段通过强化学习平衡探索与利用，以避免流行度偏差过度积累。

“试错”是强化学习探索与利用权衡中的一个核心理念，描述了推荐系统与用户进行交互并迭代更新策略的过程。

试错时，推荐策略会进行探索性的推荐，根据用户反馈来评判探索效果。随着时间的推移，探索行为能够试验出哪些项目能给带来更高的用户满意度，作为推荐策略更新的依据。

这是强化推荐算法与传统推荐算法相比的主要优势之一，它考虑到了推荐问题的交互性。

我们可以提炼出，在试错过程中，用户和推荐模型之间存在着一个反馈循环（Feedback Loop）。还是用何向南的图例来说明，推荐系统中的反馈循环包括三个阶段。

• 从用户到数据集。这一阶段系统收集用户与推荐系统的交互数据，例如点击行为、用户对项目的评分等等。
• 从数据集到推荐系统。这一阶段基于收集到的交互数据，从用户的交互历史中提炼用户偏好，然后学习推荐策略用来根据偏好预测用户可能采用的项目。
• 从推荐系统到用户。这一阶段推荐策略会将推荐结果以Top-N的形式展示给用户，以满足用户的信息需求。

用户和推荐系统在每个反馈循环中相互促进，用户的个人兴趣和行为通过推荐不断转移。对反馈循环进行建模，是强化学习推荐系统的重要基础之一。