近日消息，经济参考报将网络游戏比作新型“毒品”，称“精神鸦片”竟长成数千亿产业，该则消息导致港A两地手游股重挫，市场尤其关注的腾讯控股、网易、哔哩哔哩领跌恒生科技指数，跌幅均达10%。查询公开数据发现，2020年网易游戏业务营收占总营收的74%，腾讯游戏业务营收占总营收的32%，哔哩哔哩游戏业务营收占总营收的40%。
近日，中央宣传部、文化和旅游部、国家广播电视总局、中国文联、中国作协等五部门联合印发了《关于加强新时代文艺评论工作的指导意见》（以下简称《意见》）。

《意见》明确，加强新时代文艺评论工作的总体要求是：以习近平新时代中国特色社会主义思想为指导，全面贯彻“二为”方向和“双百”方针，坚持创造性转化、创新性发展，弘扬中华美学精神，进行科学的、全面的文艺评论，发挥价值引导、精神引领、审美启迪作用，推动社会主义文艺健康繁荣发展。建立线上线下文艺评论引导协同工作机制，建强文艺评论阵地，营造健康评论生态，推动创作与评论有效互动，增强文艺评论的战斗力、说服力和影响力，促进提高文艺作品的精神高度、文化内涵和艺术价值，为人民提供更好更多精神食粮。
《意见》指出，要把好文艺评论方向盘。坚持正确方向导向，加强马克思主义文艺理论与评论建设，注重文艺评论的社会效果，弘扬真善美、批驳假恶丑，不为低俗庸俗媚俗作品和泛娱乐化等推波助澜。发扬艺术民主、学术民主，尊重艺术规律，尊重审美差异，建设性地开展文艺评论，是什么问题就解决什么问题，在什么范围发生就在什么范围解决，鼓励通过学术争鸣推动形成创作共识、评价共识、审美共识。构建中国特色评论话语，继承创新中国古代文艺批评理论优秀遗产，批判借鉴现代西方文艺理论，建设具有中国特色的文艺理论与评论学科体系、学术体系和话语体系，不套用西方理论剪裁中国人的审美，改进评论文风，多出文质兼美的文艺评论。
《意见》指出，要开展专业权威的文艺评论。健全文艺评论标准，把人民作为文艺审美的鉴赏家和评判者，把政治性、艺术性、社会反映、市场认可统一起来，把社会效益、社会价值放在首位，不唯流量是从，不能用简单的商业标准取代艺术标准。严肃客观评价作品，坚持从作品出发，提高文艺评论的专业性和说服力，把更多有筋骨、有道德、有温度的优秀作品推介给读者观众，抵制阿谀奉承、庸俗吹捧的评论，反对刷分控评等不良现象。倡导“批评精神”，着眼提高文艺作品的思想水准和艺术水准，坚持以理立论、以理服人，增强朝气锐气，做好“剜烂苹果”的工作。
《意见》指出，要加强文艺评论阵地建设。巩固传统文艺评论阵地，加强文艺领域基础性问题、前沿性问题、倾向性问题等研究，注重对新人新作的评论，针对热点文艺现象等及时组织开展文艺评论，有力引导舆论、市场和大众。用好网络新媒体评论平台，推出更多文艺微评、短评、快评和全媒体评论产品，推动专业评论和大众评论有效互动。加强文艺评论阵地管理，健全完善基于大数据的评价方式，加强网络算法研究和引导，开展网络算法推荐综合治理，不给错误内容提供传播渠道。
《意见》强调，要强化组织保障工作。加强组织领导，把文艺评论工作纳入繁荣文艺的总体规划，建立健全协调工作机制，中央和省级主要媒体平台要加强评论选题策划，推进重点评论工作。做好支持保障，健全激励措施，可通过优稿优酬、特稿特酬等方式为文艺评论工作提供激励，改进学术评价导向，推动把具有较大影响力的重要文艺评论成果纳入相关科研评价体系和专业技术人才职称评审制度。壮大评论队伍，加强中华美育教育和文艺评论人才梯队建设，重视网络文艺评论队伍建设，培养新时代文艺评论新力量。

那么，推荐算法是什么？
以下内容分三部分：算法的核心；算法有多大用；实际工程中算法怎么工作的。
01、算法的核心是什么
推荐算法的核心是基于历史信息寻找被推荐的东西(可能是人、物、信息)与用户的一种关联性，进而去预测你下一步可能喜欢什么，本质上还是基于统计学的一种推测（谷歌的深度学习除外）。
这里有两个关键点：历史信息；关联性。
（1）历史信息也就是大家所说的标准化数据。
（2）关联性也就是大家常说的算法，他做的事情就是猜测你可能会喜欢怎样的东西.要搞清楚这个问题，还是得回到人在不同的场景中会喜欢怎样的东西，这个在不同的场景中差别比较大。
对于微信朋友圈：用户最关心的是我跟发布者的亲密度，其次是内容的质量和内容的发布时间，这也就是Facebook智能信息流的雏形，根据跟发布者的亲密度，内容的质量和内容的新鲜程度的一个混排算法。
对于美团外卖：用户最关心的是这家餐厅好不好吃，价格贵不贵，有没有优惠，配送时间长不长。至于我认不认识这家餐厅的老板，这家餐厅开业时间就不是重点，所以算法就可能是完全不一样的思路。
不管Facebook信息流还是美团外卖，核心还是得去理解用户在你的产品中到底喜欢怎样的东西，这个是基础，算法只是工具。
02、算法真的有那么大效果吗
这几年今日头条的成功，包括业内各种AI、人工智能的吹，让我们以为算法无所不能，实际上算法真的有这么神奇吗？
答案是没有。
今日头条的成功我认为主要还是靠对流量的理解，战略和公司的运营、算法、数据化思维形成的执行力。算法在里面只是一环。
举一个淘宝的例子，去淘宝的人从需求的强弱程度来看分三种：明确知道我要买啥的，知道我要买啥品类但具体买啥不知道，就是来逛的。
第一类算法没有增长点，我就要买个苹果的iphoneX，你再怎么推荐我也是买个苹果X。
第二类算法的增长点一般，我要买个蓝牙耳机，算法处理的好能提高成单率，客单价，利润，但也是有限的，因为用户进来之前已经有了一些基本的预算之类的预设。
第三类是比较大的增量空间，因为第三类属于激发性需求。就像你去商场听导购一顿忽悠，买了本身不需要的东西。但是第三类的成单量本身的占比并没有那么大。
所以综合下来，算法实际的效果也就是在完全没有算法的基础上有1.1，1.2，1.3倍这样的效果，这是由用户的需求总量决定的。
当然我不是说算法没用，因为在同等成本结构的基础上，你的转化率哪怕比竞争对手高5%，那也是巨大的效率碾压。我只是想说算法没有大家吹得那么厉害，并不能直接决定一家公司的成败，算法只是一个辅助。

03、以水果店为案例，说明算法在实际工程中的工作过程
在实际的商品类的推荐系统中，主要分三大块：收集数据和整理（商品画像、用户画像）；算法推荐；上线实验及回收结果。
1.收集数据及整理
假设小明开了一个有3家分店的大型水果连锁店，收集数据阶段主要包括：
商品属性信息：小明将店内的每一个水果以及水果的信息都记下来，甜的还是酸的，品质S还是A，有没有损坏，性寒还是热，单价贵不贵，有没有优惠等等。这是商品的基本属性信息。
商品反馈信息：销量咋样，停留率咋样，停留转化率咋样，用户的评价反馈咋样。这个是基本的反馈信息。

人的基本属性：什么人，什么小区，穿着打扮咋样，年龄多大，哪里人
人的行为信息：这次买了啥，下次买了啥，看了啥，咨询过啥，买完之后反馈咋样。
数据阶段收集是一方面，最关键的是收集的数据是结构化的，是在用户的购买决策中是有效的，比如说用户中途出去抽了一根烟这种信息就没啥用。
2.算法推荐
算法阶段关键的还是搞清楚用户在不同的场景中会喜欢怎样的水果。
我个人喜欢把商品推荐主干算法分为4个部分：质量评估，个性化，场景化，人工干预。
（1）质量评估
有些标准是存在绝对的好与坏的，水果是不是好的，性价比高不高，销量好不好，优惠力度大不大，用户反馈好不好这些是存在绝对的好与坏的，我相信没人想买个烂苹果。
（2）个性化
有些东西是存在个体差异的，甜的还是酸的，进口的还是国产的，水果的品种是樱桃还是芒果，性凉还是热的，品质分级是S还是A（跟前面的烂没烂两个概念）。
举个例子：一个金融白领可能喜欢的是甜的车厘子，进口的，品质S级的，优惠不敏感，客单价高；而小区的家庭主妇喜欢的可能是杨梅，品质还过得去的国产的就行，很在乎优惠，客单价适中的。那对于前一种用户就可以推一些客单价高的，毛利高的进口产品，相应的也可以少设置优惠；对于后一种就应该推一些性价比高的，有折扣的清仓的商品。
（3）场景化
不同的时间和地点会一定程度上影响用户的消费决策，比如夏天大家喜欢吃西瓜，在医院边上香蕉好卖，中午的时候不带皮可以直接吃的东西好卖因为大部分下午还要上班，晚上则需要处理的也卖的还可以。这个就是不同的场景带来的影响
（4）人工干预
算法本身是不带意志的，但是很多时候人会强加一些意志上去，比如说最近年底冲业绩了，需要强推高毛利的商品了；比如这个樱桃是合作方的，需要强推；比如有些东西快过期了，需要强推。这个时候就需要人工去做一些干预。
算法最后做的就是把里面每一个环节打上一个分，最后再把这些因素去加总得到一个最后的结果呈现在用户面前。但是这个分怎么打？这个就涉及到算法的价值观。
所谓算法的价值观，就是你希望算法最终的结果是怎样的，我是希望销量最大化还是销售额最大化还是利润最大化。不同的目标带来不同的结果。因为算法只是为目标最大化负责的。
算法在处理每一项得分的时候也挺简单，简单说就是，如果我的目标是销量最大化，那有两个特征：优惠力度，评价，如果随着优惠力度的提高购买转化率急剧提升，那么我认为优惠力度这个特征权重就高，如果随着评价的提升购买转化率提升较慢，那么我认为评价这个特征的权重就一般。
这个过程并不复杂，算法的优势在于他能记录更丰富的信息（工程中特征数量可能达到百万级），处理海量的数据。这是算法比人有优势的地方。
这个大概能支撑起一个算法的框架，实际的应用中会在一个主干算法的基础上去迭代很多小的策略。
下面举几个具体的细分迭代策略：
比如说买了芒果的用户很大比例都买了樱桃，那相应的会把买芒果的用户列表中的樱桃相应的往前提。这个就是大家常说的购物篮算法。
比如说同样是国贸摩根大厦的用户更喜欢进口水果，那对于一个摩根大厦的用户他列表中的进口水果，高客单价水果需要往前提。这个类似协同过滤，通过找到跟你类似的人，再去看他们喜欢啥。
比如说你第一次买了榴莲之后打了差评，以后就需要降低榴莲及相关水果的权重。这个就是负反馈。
比如说你的列表中连续出现了3种葡萄，那这时候大概率是应该把他们打散一下，尽量一页别出太多葡萄。这就是打散。
比如当你在浏览的过程中点击了樱桃，那根据购物篮原来喜欢买樱桃的人也喜欢买芒果，那下一页加载的时候需要动态的增加芒果的权重  -- 这个是实时反馈
3.实验及回收效果
个人认为快速的实验迭代和效果回收是算法高效率的关键，也是互联网的核心。修路造桥错了就是错了，而互联网产品这版效果不好下一版还能优化。算法是将这种快速迭代推向了顶峰，同时几十个实验在线上AB测试，不需要发版，好不好马上就能看出来。
AB测试的过程有点类似如果我有5家水果店，我要验证新引进的樱桃设置怎样的价格能收益最大化，我可以5家店同时设置5种价格，卖一周看看结果。
实验主要分两个部分：实验及效果回收。
（1）实验
是在其它东西都一样的情况下，留出一个不一样的东西，然后观察最后的结果，这样比较好确定最后的结果差异就是由这个不一样的东西带来的。
（2）效果回收
主要是看数据和人去看实际推荐的结果，看数据需要覆盖多一些的指标，因为很可能销量好了毛利降了，或者毛利好了当天剩余率升高了。

人工去看结果主要是一个二次确定的过程，比如在头条里面各种数据都很好，但是推出来的内容很低俗，或者这种数据好人看完之后凭经验知道这不是长久之计，比如周围就一家水果店你恶性提价。

声明：内容来源于网络，如有侵权请告知删除；图片来源于网络，若有侵权请告知删除

客服QQ：85906361；客服邮箱：85906361@qq.com