信息流推薦算法通常在用戶(hù)授權的前提下，利用用戶(hù)在信息內容上的各類(lèi)行為表達, 理解用戶(hù)的興趣需求，為用戶(hù)盡快找到心儀的內容集合、商品集合，同時(shí)也可以幫 助生產(chǎn)側快速獲取用戶(hù)。在電商場(chǎng)景，信息流推薦算法可以大幅提升用戶(hù)和商品、 內容的匹配效率，讓用戶(hù)、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了一些問(wèn)題。一方面，對于用戶(hù) 可能造成信息繭房問(wèn)題，具體表現為推薦結果越來(lái)越單一和同質(zhì)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)者的聚集現象越來(lái)越明顯。

上述問(wèn)題的根源，在于推薦算法設計階段，過(guò)于關(guān)注流量的分發(fā)效率、點(diǎn)擊率的優(yōu) 化、成交轉化率的提升，相對忽視了用戶(hù)實(shí)際體驗以及生產(chǎn)側供給生態(tài)的持續優(yōu)化。 此外，深度學(xué)習自身的不可解釋等固有缺陷也給系統的優(yōu)化和干預增加了挑戰。

淘寶積J開(kāi)展技術(shù)和機制上的創(chuàng )新，致力于解決電商場(chǎng)景推薦算法的缺陷。應對信 息繭房問(wèn)題，不斷提升推薦結果的多樣性和新穎性，同時(shí)嚴格遵守《個(gè)人信息保護 法》等法律法規要求，為用戶(hù)提供推薦系統個(gè)性化退出開(kāi)關(guān)。應對馬太效應問(wèn)題， 持續孵化有潛力的中小長(cháng)尾商家和G品質(zhì)商品。

在實(shí)踐中淘寶提出使用多任務(wù)學(xué)習的方法，通過(guò)其他 輔助任務(wù)來(lái)幫助負向興趣的學(xué)習。在負向興趣建模中，分別引入用戶(hù)的近期點(diǎn)擊行 為、長(cháng)期點(diǎn)擊行為來(lái)刻畫(huà)用戶(hù)的正向興趣，引入用戶(hù)的負反饋行為、近期曝光未點(diǎn) 擊行為來(lái)刻畫(huà)用戶(hù)的負向興趣。長(cháng)期、大量的線(xiàn)上數據表明，使用該方法能夠促使 針對整體商品的負反饋明顯下降。