当你在寻找新书、电影或餐馆的时候，你的搜索结果可能会建议一本你已经购买过或者一家你已经去过的书籍或场所。这是因为许多公司所依赖的人工智能工具将用户推进了一个“筛选泡泡”，导致的结果就是推荐的内容与之前购买过的内容相同或者非常相似。

一队计算机科学家现已开发出一种算法，名为Pyrorank，可以突破这些搜索泡泡。此算法借鉴自然界的模式，模仿生态系统中的相互作用。它通过减小用户个人资料的影响，扩展仍保持搜索焦点的推荐内容，从而产生更为多样和有用的结果。这项工作已被发表在《群集智能进展》会议论文中。

(Note: "Advances in Swarm Intelligence" is translated as "群集智能进展" which is a possible translation of the conference title.)

“当涉及到计算机科学问题的解决方案的灵感时，自然界是最理想的寻找地，”纽约大学Courant数学科学研究所临床副教授、该算法的共同创始人Anasse Bari解释道。“比如，鸟群寻找食物的自然现象表明，自然界常常能找到针对需求的最优且简洁的解决方案。”

推荐系统是被谷歌、Netflix、Spotify等平台采用的一种算法，它利用数据根据用户的过往购买记录、搜索历史和人口统计信息，向消费者推荐产品或选择。然而，由于这些参数将用户置于筛选气泡中，它们导致了搜索结果的偏差。

“传统的推荐系统工作方式是基于相似性的概念来进行推荐，”领导Courant Institute的预测分析与人工智能研究实验室的Bari解释道。“这意味着，您将在选择和推荐列表中看到与您类似的用户或您购买的相似物品。例如，如果我是一个苹果产品用户，我会越来越多地在我的推荐中看到苹果产品。”

现有推荐系统的局限性显而易见。比如，政治党派可能主要被引导至与其现有观点一致的新闻内容。更重要的是，推荐系统向易受影响的个体推送了自残视频。

为了应对这些关切，巴里和他的同事们创建了Pyrorank算法，该算法考虑了用户所寻求的内容，并在捕捉一系列推荐时减弱了用户已经购买或互动的内容的重要性。Pyrorank作为现有推荐系统的算法“附加组件”发挥作用。

这一点与替换整个推荐流程以实现多样化相比，使其高度适应性更加突出，这在潜在的节省了大量工程师时间。Bari解释道。

在测试算法的可行性时，研究人员将Pyrorank附加组件生成的搜索结果与传统推荐系统的结果进行了比较，使用了三个大型数据集——MovieLens为用户生成电影评分，Good Books和Goodreads为读者提供书籍评分。然后，他们进行了一系列实验，以确定哪种系统能够生成更多样化的推荐内容，同时又能保持核心推荐目标的一致性。

整体而言，使用Pyrorank系统生成的推荐内容比现有的系统更丰富多样，彰显了其在打破信息过滤泡泡方面的价值。

研究人员表示，同时将Pyrorank应用于现有的推荐系统，会导致预测准确性降低——也就是在预测用户对推荐物品喜爱程度方面出现的误差，但这会增加推荐物品的多样性。然而，这种权衡在特定使用场景下是可以轻松调整的。

巴里解释道：“即使只进行微小的多样性调整，也可以在结果范围中获得很大的增益，同时仅稍微降低预测准确性。每个情况都是不同的，取决于推荐系统的背景。虽然多样性和准确性之间存在一定的取舍，但是可以通过调整推荐系统来增强搜索结果的异质性，同时最大限度地减少准确性的损失。

“成功的推荐系统需要能够识别并缓解对用户的偏见，从而提供更有效的推荐信息，促进这些平台的长期发展，”他补充说。“开发出能优先考虑推荐和搜索多样化的算法是应对现有推荐系统的负面影响和局限性的重要步骤。”