你不知道的搜索进化史（四）：如何让信息主动找到你？-CSDN博客

本文链接：https://blog.csdn.net/Alexinyu/article/details/146920661

文章目录

前言
一、信息如何“找到”我们？
二、推荐系统的局限性
三、搜索与发现的融合：博查 API 的新路径
四、未来的信息获取方式：主动搜索 + 智能发现
总结

前言

大家好啊，我是北极熊，之前我们聊了搜索引擎的种种问题和局限性，当我们已经习惯了搜索，遇到问题时，我们的第一反应就是打开搜索引擎，输入关键词，然后等待结果。然而，这种方式真的高效吗？想象一下，如果重要的信息能够主动找到我们，而不是我们费力去寻找，会不会更理想？这不仅仅是一个技术问题，更是信息获取方式的变革。没错，今天我要跟大家聊一聊推荐系统的问题，它究竟是令人畏惧的“信息茧房”还是提高我们效率的“生产力工具”呢？

一、信息如何“找到”我们？

早在不知不觉之间，推荐系统就已经渗透进我们的生活中了。举个例子，当你打开抖音时，你会发现推荐的内容正好符合你的兴趣；当你想买点新衣服，打开电商平台，你会发现首页展示的商品似乎也都是你喜欢的风格。这样的例子太多了，但是问题是，推荐系统是怎么知道你喜欢什么的呢？

最早的推荐系统采用的是协同过滤算法，简单来说，就是 “和你兴趣相似的人喜欢的东西，你可能也喜欢”。例如，如果A和B都购买了同一本书，而A后来又买了另一本书，那么系统就会向B推荐这本书。这种方法虽然经典，但存在“冷启动问题”，就是如果遇到新用户，或者是新的商品内容，推荐系统就不知道怎么办了，因为它“不了解”你，就会导致推荐质量较差。

除了协同过滤算法外，比较经典的还有内容推荐算法，和协同过滤不同，内容推荐算法更关注“你自己喜欢什么”。它会分析你之前的浏览、搜索、购买记录，提取其中的关键词或特征，然后推荐类似的内容。 比如你经常看关于“人工智能”的文章，系统就会继续推荐 AI 相关的内容给你。这种方法不依赖其他用户的行为，所以冷启动问题比协同过滤小一些。

后来，随着计算能力的提升和人工智能的发展，深度学习开始用于推荐系统。例如，基于深度神经网络（DNN）的推荐，可以利用用户的长期行为模式进行预测，甚至提前推送你可能感兴趣的内容。而 一些基于大模型的推荐系统，则可以更深入地理解用户需求，不仅仅是匹配关键词，而是预测你的潜在兴趣。比如在你想买东西的时候，系统不仅仅给你推荐你可能想买的商品，还可以智能组合不同产品，给你最优惠的购买策略。

二、推荐系统的局限性

虽然推荐系统让信息“找”到我们，但它并不完美。最明显的问题是信息茧房——算法会根据你的历史偏好不断强化某类内容，导致你接触不到新的信息。例如，如果你总是看某一类新闻，推荐系统就会持续推送类似的新闻，而忽略其他可能对你有价值的内容。这种现象让人陷入“回音室”，失去了多样性。举个最典型的例子，男用户的抖音刷到的全是美女，但是女用户的抖音刷到的就全是帅哥。

另一个问题是，推荐系统本质上是被动的。你只能等待算法决定推送什么，而无法主动探索未知的信息。当你想要获取全新的知识，而不是重复消费已有兴趣点时，推荐系统往往显得无能为力。

而且推荐系统还会 收集大量的用户数据来进行个性化匹配， 这意味着用户的浏览记录、搜索历史、社交关系等都会被收集和分析。这意味着你在推荐系统面前是透明的，推荐系统可能比你自己还要了解你自己！

还有许多推荐系统的核心目标并不是让用户找到最需要的信息，而是让用户花更多时间在平台上，增加广告曝光或商品销售。 因此，推荐的内容可能更多基于商业利益，而不是用户的真实需求。

三、搜索与发现的融合：博查 API 的新路径

既然推荐系统有局限性，搜索是否可以更智能，既保持主动性，又能帮助用户发现更多相关信息？博查 API 提供了一种新的搜索方式——AI Search API。

在传统搜索引擎中，你输入关键词，得到一堆链接，然后自己筛选答案。现代的智能搜索是怎么样的呢？就是RAG（检索增强生成），先去知识库搜索相关文档，再让大模型总结回答。如果你要自己实现一个RAG的话，差不多就是这个流程，先要去搜索，然后再处理返回的数据，再让大模型总结回答。但是博查提供的AI Search API 采用了更智能的方式，不仅提供答案，还能引导你深入探索相关问题。

比如，你在搜索引擎里输入：“人工智能如何影响医疗？”

这里百度搜索到的图片会显示违规，大家可以自己试一下，就不展示了。

传统搜索引擎会返回很多链接，你需要逐一点击、筛选信息。

而博查 API 除了直接回答你的问题，还会补充相关问题，比如：