- chapter 0 【信息熵】
事件的概率分布和每个事件的信息量构成了一个随机变量，这个随机变量的均值（即[期望]）就是这个分布产生的信息量的平均值（即熵）
信息：信息的基本作用就是消除人们对事物的不确定性。【描述一个变量】
信息熵：对信息的量化度量【信息量多少的量化】，信息熵越大，所携带的信息量越大。【变量的不确定性越大，熵也就越大，把它搞清楚所需要的信息量也就越大。】
举例：抛硬币的结果（正or反）这个事件是不确定的，它的结果可以用1bit来描述。如果其两面都是正的，那么这个事件的信息熵为0，因为结果是确定的。（不需要信息来描述）。
-
chapter 1 【增熵】
熵增是物理的自然规律。孤立的系统总会由有序向无序演进
信息爆炸的时代，是个增熵的时代，可能性越来越多，不确定性也越来越大。例如，在古代，俩部落踢球，可能结果就是输赢（log2(2)=1bit），现在有几百个国家组成球队踢球，同样有实力夺冠的也很多，那么其信息量已经远超从前（假设同概率则熵=log2(128)=7bit）【事物本身的不确定性增加】
信息本身意图消除不确定性，但是随着社会的发展，物质与行为活动本身的增加，人们接触信息的方式增加，频率增加，每个人类个体的认知范围，接受内容（信息）的范围也不断扩大（例如之前你只能去球场看球，现在能直接电视转播看全球各地的球赛）。至此用户和信息组成的这个系统，站在用户的角度来讲，也变得越来越无序、混乱。。【人自身接触到的事物本身增加】 -
chapter 2【减熵】
如何减熵：从外界输入能量，使得系统朝着有序的方向发展
我们通过 黄页 搜索 推荐 一系列的产品、技术手段，大多的本质也是更好，更准确地为用户提供信息，降低用户接受内容过程中，不确定性，随机性，不可预知性。使用户和信息这个系统变得更有序。
例如技术手段：ctr预估，其目标便是最小化交叉熵。即最小化我们推荐系统对用户行为预测认知的不确定性。【通过技术手段减熵】
例如产品设计：例如美食app列表浏览中为用户提供更多的筛选项目，排序方式。都是为了帮助用户减熵，更快地获取所需。 -
chapter 3【增熵？】
推荐这种模式的设计，是增熵吗？
当然，从搜索到推荐的这个过程，这个产品的变迁仿佛确实是一个增熵的设计（搜索我们提供了一个输入query的途径，使得系统明确知道用户需要什么。而在推荐中，我们没有用户直观输入的渠道，当前系统不知道用户此刻的明确需求。）。
但是，为什么设计了一个增加了不确定性的产品，却受到了更多用户的青睐呢？这需要我们再退一步，看看用户是如何理解了解这个世界的。这就引来了一个问题，有的时候，用户是很了解很明确自己想要什么【在自己熟知的领域】，而有的时候，用户对当前环境（想要内容）的认知也是模糊的，这样会导致其实他们搜索的时候，就存在不确定性了。他们不知道要搜什么，不知道能搜什么。而一个单纯的搜索系统，没办法消除用户在选择搜索词之前的不确定性。所以推荐，其实是从更深的程度上，帮用户消除了认知世界的不确定性。即“推荐系统比用户更了解他们想要什么” -
chapter 4 【唯一准则？】
NO，人类是热爱探索的物种，循规蹈矩非人类所追求的。
变化，无限的可能性（不确定性），才能引领发展！
这也是为什么，系统化，体制化，会让人堕落。系统能了解一个人，但远不能完全替代一个人做决定。如果最终都由系统消除了不确定性，那么整个群体也不可能进一步演化进化了。
网友评论