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容集合、商品集合，同時也可以幫 助生產側快速獲取用戶。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展中，信息流推薦也逐漸出現了一些問題。一方面，對于用戶 可能造成信息繭房問題，具體表現為推薦結果越來越單一和同質化。另一方面，對 于生產者可能造成馬太效應，即流量在頭部生產者的聚集現象越來越明顯。

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效率、點擊率的優 化、成交轉化率的提升，相對忽視了用戶實際體驗以及生產側供給生態的持續優化。 此外，深度學習自身的不可解釋等固有缺陷也給系統的優化和干預增加了挑戰。

淘寶積J開展技術和機制上的創新，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》等法律法規要求，為用戶提供推薦系統個性化退出開關。應對馬太效應問題， 持續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。