信息流推荐算法通常在用户授权的前提下，利用用户在信息内容上的各类行为表达, 理解用户的兴趣需求，为用户尽快找到心仪的内容集合、商品集合，同时也可以帮 助生产侧快速获取用户。在电商场景，信息流推荐算法可以大幅提升用户和商品、 内容的匹配效率，让用户、商家和平台共同受益。

在广泛应用和快速发展中，信息流推荐也逐渐出现了一些问题。一方面，对于用户 可能造成信息茧房问题，具体表现为推荐结果越来越单一和同质化。另一方面，对 于生产者可能造成马太效应，即流量在头部生产者的聚集现象越来越明显。

上述问题的根源，在于推荐算法设计阶段，过于关注流量的分发效率、点击率的优 化、成交转化率的提升，相对忽视了用户实际体验以及生产侧供给生态的持续优化。 此外，深度学习自身的不可解释等固有缺陷也给系统的优化和干预增加了挑战。

淘宝积极开展技术和机制上的创新，致力于解决电商场景推荐算法的缺陷。应对信 息茧房问题，不断提升推荐结果的多样性和新颖性，同时严格遵守《个人信息保护 法》等法律法规要求，为用户提供推荐系统个性化退出开关。应对马太效应问题， 持续孵化有潜力的中小长尾商家和高品质商品。

在实践中淘宝提出使用多任务学习的方法，通过其他 辅助任务来帮助负向兴趣的学习。在负向兴趣建模中，分别引入用户的近期点击行 为、长期点击行为来刻画用户的正向兴趣，引入用户的负反馈行为、近期曝光未点 击行为来刻画用户的负向兴趣。长期、大量的线上数据表明，使用该方法能够促使 针对整体商品的负反馈明显下降。