为什么你感觉手机在窃听？关掉这些开关，保护隐私安全

为什么大数据推送如此精准？背后有哪些秘密？教你如何尽可能避开被“精准”推送！

 睡前大数据 

点击上方 蓝色 字体关注不迷路 

大数据精准推送

近年来，随着互联网的高速发展，广告推送、购物推荐、内容推荐等大数据驱动的技术不断深入人们的生活。相信很多人都有过这样的经历：刚搜索了一件商品，相关广告就随之而来，或者某个应用推荐的内容正好符合你的兴趣，又或者刚讨论完一个感兴趣的话题，随之推送就来了。这一切并非偶然，背后蕴含着庞大的大数据分析、深度学习算法以及复杂的用户行为建模机制。

诚然当下用户的个人信息数据越来越不值钱了，但是如何才能让自己的信息尽量避免被收集被发现呢？

本文将揭示为何大数据推送如此精准，探讨用户行为为何被”判定得这么死”的真正原因，并深挖其中的一些不为人知的“秘密”，以此解答很多人对于数据隐私和推送机制的疑问。 

大数据推送之根本

全面的信息收集

Comprehensive information collection

想要了解大数据推送的精准性，首先要明白数据从何而来。互联网平台通过各类合法的方式，收集用户在平台上留下的行为数据。这里的数据不仅仅包括显而易见的搜索词、浏览记录、购买记录，甚至你访问网站时停留的时间、页面滚动的幅度、点击的频次、鼠标的移动轨迹等，也都被记录在案。这些细微的行为数据被称为行为数据，是推送系统进行精准分析的关键。

大数据推送系统的核心逻辑是通过对用户行为的记录和分析，建立庞大的用户标签库，形成个人的用户画像（俗称大家常听到的“千人千面”），并进行精准的内容推荐。常见的用户数据类型包括：

• 身份数据：年龄、性别、手机号、身份证、职业、所在地等基本信息。

• 设备数据：使用的设备类型、操作系统、应用版本等。

• 位置数据：GPS定位、Wi-Fi网络位置、常去地点等。

• 社交数据：点赞、分享、评论、好友关系等社交行为。

• 购买数据：购买历史、支付偏好、购物车、物品浏览数据等。

• 出行数据：打车类型、打车APP、起终点数据等。

这些信息的来源十分广泛，不仅仅限于用户主动输入的内容，甚至包括通过Cookies、设备指纹识别技术、音视频识别技术等手段自动收集的“隐性数据”。

接下来就让我们具体看看目前使用频率最高的几个APP都会在申明中表达采集你们的哪些数据吧！！

常用APP举例：

微信：

可以通过如下截图看出微信会收集个人的出行，支付，个人基本等所有信息。

抖音：

可以看出采集了你的个人设备信息，手机型号，操作系统等等，如果只是个单纯的视频播放软件，采集你的手机型号干嘛？

滴滴：

滴滴就更夸张了，他不但自己收集，其他多达十几家第三方公司都在他上面进行收集信息，随机截图看一看：

什么支付宝，天翼，中移他们要收集我们得设备型号干嘛？操作系统干嘛？这些数据信息的收集对他们的服务提供是否有必要？？

美团：

美团也是收集各种识别码，设别信息，还有更加恐怖的传感器数据，为啥要收集我们各种传感器数据呢？还有WIFI状态，你管我们WIFI状态干嘛？？还与第三方分享我们得这些数据！！

支付宝：

支付宝也很多，各种权限！！

网易云音乐：

收集了地址，设备型号，操作系统，停留时长，刷新记录，发布记录，关注这些用户行为日志数据。

当然其他所有的APP收集的行为都还有很多，在这就不一一列举了！接下来讲讲收集上来的这些数据都最终会变成什么！

数据建模，用户标签画像

用户画像

User Profile

数据本身是无序的、杂乱的，平台需要通过一定的算法来理解并预测用户的行为。大数据推送的精准性很大程度上依赖于用户画像。所谓用户画像，指的是基于用户的多维度数据，综合分析用户的喜好、行为模式，从而生成个性化的标签。

标签

label

如下是一个标准的行业内的标签输出内容，只放出一小部分

以电商平台为例，假设某个用户经常浏览家电类商品且大多数时间在晚上进行购物，平台便会根据如上掌握的你的个人标签数据推断你对家电有较高的兴趣，可能是一个生活节奏较快的上班族，因此推送的广告内容很可能会集中在家电促销，且推送时间可能选择在晚间。这个过程就是用户标签数据画像的生成与应用。

那么，这种画像是如何得出的呢？其背后依靠的是机器学习模型，常用的包括协同过滤算法、关联规则算法和深度学习算法。

• 协同过滤算法：基于用户行为相似性，推测用户可能喜欢的内容。若用户A与用户B的购物记录高度相似，系统可能会向用户A推送B喜欢的商品。

• 关联规则算法：分析商品与商品之间的关联度。用户购买商品X后，系统可能会推测其对商品Y有兴趣，这就是常见的“购买此商品的用户还购买了…”

• 深度学习算法：通过多层神经网络，模拟人脑的学习方式，不断分析和预测用户未来的行为。这类算法可以处理非常复杂的数据关系，从而推断出用户的潜在需求。

这些算法结合用户的实时行为、历史数据和标签，可以实时调整推送的内容和时机，确保每一次推送尽可能精准。

行为数据的利用：从显性行为到隐性推测

大数据推送的“精准”不仅仅体现在对用户显性行为的反映，更体现在对用户隐性行为的推测上。换句话说，系统不仅仅知道你喜欢什么，还可能知道你未来会喜欢什么，甚至了解你自己都不曾意识到的需求。

这背后依赖于行为学中的“行为预测模型”。通过海量的数据分析，机器可以挖掘出一些用户自身无法察觉的规律。例如，一个用户在多个网站上搜索了某种类型的家用电器，虽然他并没有最终购买，但基于历史数据，系统可能推测出他正在权衡品牌、价格等因素，因此会持续向他推送相关商品的折扣信息。这种行为预测依靠大数据模型，通过对用户数据的深度挖掘，不断优化推送内容。

此外，用户与其他用户的关联数据也可以进一步提高推送的精准性。如果你和某个群体在购物行为上存在相似性，那么该群体中的热门商品、内容很可能也会被推荐给你。这种关联性往往通过“群体协同效应”来实现：即通过与其他用户的相似性，预测你的下一步行为。

隐私与道德？法律与法规！

隐私保护

Privacy Translation

然而，正因为大数据推送如此精准，背后的隐私问题也逐渐引发了广泛关注。对于很多人来说，某些推送“精准得过分”，甚至显得让人不安。比如你和朋友刚谈论过一款新手机，不久后就收到相关广告推送，仿佛你的手机在监听你的对话。这种体验让人怀疑，自己是否已经成为了透明人？

事实上，绝大多数平台不会监听用户的语音，而是依靠数据的跨平台整合来实现精准推送。互联网巨头往往通过多个渠道获取用户数据——例如，你在社交媒体上分享了一张照片，社交平台会分析这张照片中的物体、文字，甚至可能获取到照片的地理位置；你在电商平台浏览某类商品，平台会记录你的浏览行为，甚至支付习惯。这些数据可能通过第三方数据共享或API接口被整合，形成全方位的用户画像。

此外，一些企业会通过交叉分析你与社交圈、职业圈、地理位置等多维度数据来进行更精准的推测。这种广泛的数据整合进一步提升了推送的准确性，但也带来了诸多道德和隐私问题：

• 隐私暴露：用户数据的过度收集和滥用，导致用户在毫不知情的情况下被“监控”。

• 数据歧视：基于用户行为的推测，某些推送可能会强化某些刻板印象，甚至造成数据上的偏见或歧视。

为了应对这一问题，国内外多个国家和地区陆续推出了相关法律法规。例如，我国的中华人民共和国《个人信息保护法》｜欧盟《通用数据保护条例》，都要求企业在收集用户数据时必须获得用户明确同意，并且用户有权要求删除自己的数据。然而，技术和法律之间始终存在一种博弈关系，即使有了法律的保护，平台在如何运用用户数据、如何定义“同意”的边界上，仍然存在模糊地带。

精准推送与个体自由：你到底有没有选择权？

很多人抱怨，似乎被大数据“锁死”了——一旦你被标签化，平台的推送就永远围绕某些特定的主题展开，仿佛你失去了对信息获取的自主选择权。这其实源于推荐系统的目标与用户需求的矛盾。

推荐系统的核心目的是为用户提供其“可能感兴趣”的内容，以此提升用户的使用体验，进而提高平台的流量和收入。系统通过算法的学习和调整，不断强化用户的某些行为倾向。然而，这种强化却可能导致用户接触的信息变得单一，形成所谓的“信息茧房”。

但实际上，你并非完全被系统“控制”——推送并不意味着你没有选择权。大多数平台会提供调整推送内容的选项，你可以根据自己的需求对推送进行修改，甚至关闭某些类型的推送。更重要的是，用户自身的行为也会影响推送内容，改变自己的行为习惯可能会逐步改变推送的模式。

如何尽可能的减少被收集？减少收集

Reduce collection

下面都以IOS版本的各种APP为例子：

IOS中有统一的设置页面来设置各大APP的绝大多数权限

可以看到如下的截图中，有各种麦克风，位置，相册，摄像头这些传统的权限，但是大家可能会忽略目前很多的从其他App粘贴的这个权限，这个权限，会让你的粘贴板中的内，只要打开了某个app就会被获取到，就算你没想去复制粘贴查询，也会被收集，所以这个需要关闭掉。

IOS还是很良心的，可以一目了然看到各个APP的大部分权限控制。

当然有一些APP内部也会存在一些按钮

譬如微信：

美团APP：

滴滴APP：

大家如果还有疑问欢饮私信提问！！！！！