推荐系统应该如何保障推荐的多样性？
在构建一个真正能留住用户的推荐系统时，多样性是绕不开的关键。如果用户每次打开APP，看到的都是千篇一律的内容，那再精准的推荐也难免让人感到乏味。那么，如何让推荐系统真正“懂”多样性，并将其融入到每一次的推荐之中呢？这可不是简单地随机选几样东西糊弄过去的事情。
首先，我们要明白，多样性并非“无序”的堆砌。 真正的好多样性，是在满足用户潜在兴趣的基础上，拓宽他们的视野，引导他们发现新事物。这就像一个经验丰富的导游，他知道你喜欢历史，但也会带你去看看当地的特色市集，让你体验不同的风情，而不是只把你关在博物馆里。
那么，具体到推荐系统层面，我们可以从以下几个维度去保障多样性：
一、 洞察用户的“多元”兴趣：
从“显性”到“隐性”： 用户在APP里的每一次点击、收藏、分享，甚至停留时间，都是他们兴趣的“显性”表达。但用户的兴趣是立体的，有时候他们可能只是随便看看，或者出于某种情绪。我们需要通过更深层次的分析，挖掘他们“潜在”的兴趣。例如，一个用户经常看健身视频，这可能是他的兴趣。但如果他也偶尔点进几个关于户外徒步的帖子，那么我们就应该捕捉到他对“户外活动”的潜在兴趣，并在未来给他推荐相关的装备或路线。
时间序列的兴趣演变： 用户的兴趣不是一成不变的。今天喜欢科幻片，明天可能就会迷上历史纪录片。我们需要建立能够捕捉用户兴趣随时间变化的模型，而不仅仅是基于他们最近的几次行为。比如，我们可以使用RNN（循环神经网络）或Transformer等模型来建模用户行为序列，理解他们兴趣的“流动性”。
兴趣的“组合”与“关联”： 很多时候，用户的兴趣是交叉的。喜欢摄影的用户，可能也对旅行、美术、甚至某些特定的历史时期感兴趣。我们需要找到不同兴趣点之间的关联性，并基于这种关联进行推荐。这可以通过图谱学习、知识图谱等技术来实现，将用户、物品以及它们之间的关系连接起来，发现隐藏的兴趣组合。
二、 丰富物品库的“视角”：
打破“同质化”的推荐循环： 如果我们的推荐模型过度依赖于用户过去喜欢的“类型”或“标签”，很容易陷入“同质化”的推荐循环。比如，用户喜欢某位导演的电影，我们就一直推荐这位导演的其他作品，而忽略了同类型但由不同导演执导的优秀作品。
引入“长尾”和“冷门”物品： 很多时候，真正能给用户惊喜的，是那些不那么热门，但却非常符合他们潜在兴趣的“长尾”物品。这需要我们在物品召回阶段就引入更多样化的策略，不只追求“热门”，也要挖掘那些“优质”但“曝光不足”的内容。
从“内容”到“属性”的多样性： 除了内容本身的类别，我们还可以关注物品的各种属性。例如，对于视频内容，除了影片类型、导演、演员，还可以关注它的拍摄手法、音乐风格、情感基调等。为用户推荐不同“属性”组合的物品，也能增加推荐的多样性。
三、 精心设计的推荐策略：
多样性指标的量化与优化： 我们不能空喊口号，需要为多样性设定可量化的指标。比如，信息熵（Information Entropy）可以衡量推荐列表的“不确定性”和“信息量”，更高的熵通常意味着更高的多样性。基尼系数（Gini Coefficient）也可以用来衡量推荐物品的“热门度分布”，较低的基尼系数代表更平滑、更少集中于热门物品的推荐。我们可以在模型的训练和评估过程中，将这些多样性指标纳入到目标函数中，进行优化。
重排（Reranking）机制的妙用： 在初步生成了一批候选推荐列表后，我们可以引入重排机制来提升多样性。这可以通过以下几种方式实现：
基于物品相似度的惩罚（MMR Maximal Marginal Relevance）： 在选择下一个要推荐的物品时，我们不仅考虑它与用户兴趣的相关性，还要考虑它与已经选定推荐物品的相似度。选择与已有推荐列表“差异”更大的物品，就能有效增加多样性。
主题/类别的均衡： 确保推荐列表在不同的主题或类别之间有更均衡的分布。例如，如果推荐列表中有5部电影，可以尝试让其中2部是喜剧，2部是剧情，1部是科幻，而不是全部是喜剧。
考虑物品属性的覆盖： 确保推荐列表中包含不同“属性”的物品。例如，推荐旅行攻略时，既有目的地推荐，也有交通方式、住宿建议，还有当地文化介绍。
策略的“动态调整”： 多样性也不是越多越好，也不是一成不变。在用户刚接触一个新领域时，可能更需要一些“入门级”的、与他当前兴趣高度相关的推荐。而当用户对某个领域已经有一定了解后，则可以逐步增加一些“探索性”的、可能带来惊喜的推荐。这就需要根据用户在APP中的生命周期和行为深度，动态调整多样性策略的侧重点。
对抗性学习（Adversarial Learning）的思想： 可以借鉴对抗生成网络（GAN）的思想，设计一个“鉴别器”来评估推荐列表的多样性，然后让“生成器”（推荐模型）努力生成多样性更强的列表来“欺骗”鉴别器。这是一种更高级的引入多样性的思路。
四、 避免“信息茧房”的陷阱：
引入“探索性”推荐： 有意识地为用户推荐一些他们“可能”感兴趣，但当前并没有明确表现出兴趣的物品。这可以是基于“知识图谱”的关联，也可以是基于“共同用户”的探索，甚至是基于“兴趣跨界”的发现。
“强制”多样性（Hard Diversity）与“软性”多样性（Soft Diversity）的结合： “强制”多样性是指确保推荐列表在某些维度上（如类别、主题）有明确的差异。而“软性”多样性则是在相关性允许的范围内，选择那些与众不同的物品。两者结合，才能在保持相关性的基础上，真正拓宽用户的视野。
用户反馈的引导： 给予用户主动“调整”或“反馈”多样性的能力。例如，提供“不感兴趣”的选项，或者提供“想看看不同类型”的按钮。用户的显性反馈，是指导我们调整多样性策略的重要依据。
总结一下，保障推荐多样性，是一个系统性的工程。 它需要我们深入理解用户“多元”的兴趣，拥抱“长尾”和“冷门”的物品，并通过精巧的推荐策略，在“相关性”和“惊喜感”之间找到绝佳的平衡点。这不仅仅是为了让推荐看起来“好看”，更是为了让用户在这个信息爆炸的时代，能够发现更多可能性，获得更持续、更愉悦的体验。做到这一点，你的推荐系统才能真正赢得用户的“心”。
首先，我们要明白，多样性并非“无序”的堆砌。 真正的好多样性，是在满足用户潜在兴趣的基础上，拓宽他们的视野，引导他们发现新事物。这就像一个经验丰富的导游，他知道你喜欢历史，但也会带你去看看当地的特色市集，让你体验不同的风情，而不是只把你关在博物馆里。
那么，具体到推荐系统层面，我们可以从以下几个维度去保障多样性：
一、 洞察用户的“多元”兴趣：
从“显性”到“隐性”： 用户在APP里的每一次点击、收藏、分享，甚至停留时间，都是他们兴趣的“显性”表达。但用户的兴趣是立体的，有时候他们可能只是随便看看，或者出于某种情绪。我们需要通过更深层次的分析，挖掘他们“潜在”的兴趣。例如，一个用户经常看健身视频，这可能是他的兴趣。但如果他也偶尔点进几个关于户外徒步的帖子，那么我们就应该捕捉到他对“户外活动”的潜在兴趣，并在未来给他推荐相关的装备或路线。
时间序列的兴趣演变： 用户的兴趣不是一成不变的。今天喜欢科幻片，明天可能就会迷上历史纪录片。我们需要建立能够捕捉用户兴趣随时间变化的模型，而不仅仅是基于他们最近的几次行为。比如，我们可以使用RNN（循环神经网络）或Transformer等模型来建模用户行为序列，理解他们兴趣的“流动性”。
兴趣的“组合”与“关联”： 很多时候，用户的兴趣是交叉的。喜欢摄影的用户，可能也对旅行、美术、甚至某些特定的历史时期感兴趣。我们需要找到不同兴趣点之间的关联性，并基于这种关联进行推荐。这可以通过图谱学习、知识图谱等技术来实现，将用户、物品以及它们之间的关系连接起来，发现隐藏的兴趣组合。
二、 丰富物品库的“视角”：
打破“同质化”的推荐循环： 如果我们的推荐模型过度依赖于用户过去喜欢的“类型”或“标签”，很容易陷入“同质化”的推荐循环。比如，用户喜欢某位导演的电影，我们就一直推荐这位导演的其他作品，而忽略了同类型但由不同导演执导的优秀作品。
引入“长尾”和“冷门”物品： 很多时候，真正能给用户惊喜的，是那些不那么热门，但却非常符合他们潜在兴趣的“长尾”物品。这需要我们在物品召回阶段就引入更多样化的策略，不只追求“热门”，也要挖掘那些“优质”但“曝光不足”的内容。
从“内容”到“属性”的多样性： 除了内容本身的类别，我们还可以关注物品的各种属性。例如，对于视频内容，除了影片类型、导演、演员，还可以关注它的拍摄手法、音乐风格、情感基调等。为用户推荐不同“属性”组合的物品，也能增加推荐的多样性。
三、 精心设计的推荐策略：
多样性指标的量化与优化： 我们不能空喊口号，需要为多样性设定可量化的指标。比如，信息熵（Information Entropy）可以衡量推荐列表的“不确定性”和“信息量”，更高的熵通常意味着更高的多样性。基尼系数（Gini Coefficient）也可以用来衡量推荐物品的“热门度分布”，较低的基尼系数代表更平滑、更少集中于热门物品的推荐。我们可以在模型的训练和评估过程中，将这些多样性指标纳入到目标函数中，进行优化。
重排（Reranking）机制的妙用： 在初步生成了一批候选推荐列表后，我们可以引入重排机制来提升多样性。这可以通过以下几种方式实现：
基于物品相似度的惩罚（MMR Maximal Marginal Relevance）： 在选择下一个要推荐的物品时，我们不仅考虑它与用户兴趣的相关性，还要考虑它与已经选定推荐物品的相似度。选择与已有推荐列表“差异”更大的物品，就能有效增加多样性。
主题/类别的均衡： 确保推荐列表在不同的主题或类别之间有更均衡的分布。例如，如果推荐列表中有5部电影，可以尝试让其中2部是喜剧，2部是剧情，1部是科幻，而不是全部是喜剧。
考虑物品属性的覆盖： 确保推荐列表中包含不同“属性”的物品。例如，推荐旅行攻略时，既有目的地推荐，也有交通方式、住宿建议，还有当地文化介绍。
策略的“动态调整”： 多样性也不是越多越好，也不是一成不变。在用户刚接触一个新领域时，可能更需要一些“入门级”的、与他当前兴趣高度相关的推荐。而当用户对某个领域已经有一定了解后，则可以逐步增加一些“探索性”的、可能带来惊喜的推荐。这就需要根据用户在APP中的生命周期和行为深度，动态调整多样性策略的侧重点。
对抗性学习（Adversarial Learning）的思想： 可以借鉴对抗生成网络（GAN）的思想，设计一个“鉴别器”来评估推荐列表的多样性，然后让“生成器”（推荐模型）努力生成多样性更强的列表来“欺骗”鉴别器。这是一种更高级的引入多样性的思路。
四、 避免“信息茧房”的陷阱：
引入“探索性”推荐： 有意识地为用户推荐一些他们“可能”感兴趣，但当前并没有明确表现出兴趣的物品。这可以是基于“知识图谱”的关联，也可以是基于“共同用户”的探索，甚至是基于“兴趣跨界”的发现。
“强制”多样性（Hard Diversity）与“软性”多样性（Soft Diversity）的结合： “强制”多样性是指确保推荐列表在某些维度上（如类别、主题）有明确的差异。而“软性”多样性则是在相关性允许的范围内，选择那些与众不同的物品。两者结合，才能在保持相关性的基础上，真正拓宽用户的视野。
用户反馈的引导： 给予用户主动“调整”或“反馈”多样性的能力。例如，提供“不感兴趣”的选项，或者提供“想看看不同类型”的按钮。用户的显性反馈，是指导我们调整多样性策略的重要依据。
总结一下，保障推荐多样性，是一个系统性的工程。 它需要我们深入理解用户“多元”的兴趣，拥抱“长尾”和“冷门”的物品，并通过精巧的推荐策略，在“相关性”和“惊喜感”之间找到绝佳的平衡点。这不仅仅是为了让推荐看起来“好看”，更是为了让用户在这个信息爆炸的时代，能够发现更多可能性，获得更持续、更愉悦的体验。做到这一点，你的推荐系统才能真正赢得用户的“心”。
网友意见
0. 信息茧房 | 在信息媒介间 | 竖起了一道墙。
关于推荐系统信息茧房的问题，之前跟朋友吐槽过推荐系统
@Serendipity ：我觉得压根不需要算法，就纯推黄，如果有需要的话别人自然会搜别的；
@Serendipity ：当前推荐系统的拟合能力太强了，边缘内容会立即被剔除；
@平凡 ：人类的本质是喜欢黄色的复读机；
@Serendipity ：对于知乎这种很强调长尾效应的图文平台，不应该依赖于推荐模型，至少不应该过于依赖或者完全依赖，否则迟早走向平庸，小姐姐穿黑丝是比不过b站舞蹈区的。
事实上，在理解推荐系统本身的时候是默认用户不清楚它们要看什么、买什么、听什么内容的，因为有目的性的用户会善用搜索功能去检索。推荐系统的目的就是滑向最优解（最大限度吸引用户逗留 or 吸引更多点击），那么模型最简单的局部最优解就是互联网的黄（美色）赌（抽卡）毒（极端），但是局部最优解不是对用户最好的结果。
第一个吃螃蟹的人是天才，第一个尝毒草的人也是天才。探索未知的边界才能拓宽我们的人生道路，历史需要探索，人生需要探索，推荐系统自然也需要探索更大的边界。
1. 推荐系统 Explore & Exploit 问题
回到题目中，关于扩展推荐系统多样性的问题其实一直都有研究。Explore & Exploit 问题[1]描述推荐系统中什么时候应该去探索用户可能有兴趣的偏好，什么时候应该基于已知的爱好进行推荐。
Spotify（一个流媒体音乐服务平台）2018年发布在RecSys'18 会议上的论文《Explore, exploit, and explain: personalizing explainable recommendations with bandits》[2]上有分享过他们的推荐策略。
Explore 是指尝试给用户推荐的新鲜内容；Exploit 是指已知的用户比较确定的兴趣点；Ignore 是指被忽视的不关联内容；
对于高确定性的内容，如果跟个人兴趣强相关则属于能够放心推给你的内容（例如在你知乎推荐页/淘宝搜索/头条推荐中比较常见的、个人经常点击的内容）；
对于高确定性低相关性的内容属于不会推给你的内容（可能是给你推过多次但不会点开的内容，抑或是点开后迅速退出的内容）；
剩余对于不确定的偏好，也会经由多次推送「摸清」你的喜好。
2. 如何能够「摸清」用户喜好呢？—— BANDIT 算法
在推荐过程中，如何根据少量的投放，观察并摸清用户喜好是件非常有挑战性的问题。
假设你现在是某游戏公司的领导，手上有很多款游戏：
- 如何给多个游戏分配广告位以及宣传力度？
- 如何用尽可能少的「成本」迅速找到有潜力的游戏？
对于第一个问题，如果将广告全部给最火的游戏，目前来看当然能够挣很多钱，但这样新游戏永无出头之日，等老游戏衰亡的时候，公司就将走向倒闭。
这也就是为什么「原神」大火后，米哈游依旧选择研发新游戏；也是为什么「魔兽世界」之后，暴雪再没能推出振奋人心的作品。
对于第二个问题，就是经典的多臂老虎机(Multi-Armed Bandit problem, MAB)[3]，将推荐一次新物品类比为摇动一次老虎机，产生收益的推荐就相当于摇中奖的老虎机，通过假设老虎机本身产生收益的概率分布，通过实验不断估计出置信度较高的概率分布。其做法为：
- 假设概率p的概率分布符合beta(wins, lose)分布，每个臂都维护一个beta分布的参数；
- 每次选中一个臂试验后，有收益则该臂的wins增加1，否则该臂的lose增加1；
- 计算每个臂现有的beta分布的平均水平，选择所有臂产生的随机数中最大的那个臂去摇；
通过这种方式，逐渐探索新的可能推荐空间，将其划分为 Exploit、Explore 还是 Ignore.
-1. 彩蛋 | 关于关注并回答这个问题的原因
关于 Multi-Armed Bandit 相关研究的了解是在一次聊天中注意的
关于联邦学习中用户选择的方法，采用类似于推荐的方式选择合适用户进行度量，顺着这个思路去调研了一些关于MAB的研究问题，从而发现推荐系统、强化学习中针对相关问题有所研究。
补充材料：
Netflix: A Multi-Armed Bandit Framework for Recommendations at Netflix.
Amazon: An Efficient Bandit Algorithm for Realtime Multivariate Optimization.
更多 Bandit 算法介绍: 降谷零：bandit知识分享与总结
联邦学习中 Bandit 算法:
Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback
Federated Transfer Learning With Client Selection for Intrusion Detection in Mobile Edge Computing
参考
- ^《一文梳理冷启动推荐算法模型进展》 https://blog.csdn.net/weixin_44289754/article/details/118886899
- ^《Explore, exploit, and explain: personalizing explainable recommendations with bandits》 https://dl.acm.org/doi/pdf/10.1145/3240323.3240354
- ^《冷启动中的多臂老虎机问题》 https://blog.csdn.net/Gamer_gyt/article/details/102560272
类似的话题
-
在构建一个真正能留住用户的推荐系统时，多样性是绕不开的关键。如果用户每次打开APP，看到的都是千篇一律的内容，那再精准的推荐也难免让人感到乏味。那么，如何让推荐系统真正“懂”多样性，并将其融入到每一次的推荐之中呢？这可不是简单地随机选几样东西糊弄过去的事情。首先，我们要明白，多样性并非“无序”的堆砌............. -
.......
-
北航四系航推专业的研究方向选择，对于未来的职业发展至关重要。从就业前景和行业需求来看，这几个方向都有各自的亮点和侧重点。下面我将结合我对航推领域的理解，详细分析一下数值、气动、燃烧、结构、监测这几个方向的特点以及它们的前景，希望能给你一些参考。在聊具体方向之前，我们先来明确一下“前景好”这个概念。在.............
-
推荐系统在为我们生活带来便利的同时，也悄然埋藏着一些不容忽视的危害，这些危害就像温水煮青蛙一样，潜移默化地影响着我们的认知、行为甚至生活方式。下面我将从几个方面详细阐述这些潜在的负面影响。1. 信息茧房效应与认知固化：这是推荐系统最核心的危害之一。算法为了提高用户粘性，会不断推送与用户过往兴趣、偏好.............
-
推荐系统的核心，说白了，就是让你在海量的信息海洋里，能更快更准地找到你想要的那条“鱼”。而之所以要推荐你喜欢的东西，这背后其实是一系列精心设计的逻辑和目标在驱动。我们可以从几个层面来理解这件事。首先，用户体验是王道，而“喜欢”是用户体验的基石。想象一下，你去逛商场。如果你进来，店员就一股脑地把所有商.............
-
研究推荐系统，是否需要对自然语言处理（NLP）有深入的了解？这个问题，在我看来，绝非一个简单的“是”或“否”可以回答。它的答案，很大程度上取决于你研究的推荐系统类型、目标以及你想要达到的深度和广度。打个比方，如果我们把推荐系统想象成一个“了解用户并为之提供惊喜”的餐厅，那么NLP就是这家餐厅的“菜单.............
-
在推荐系统中，如何从深度学习的角度去捕捉用户“长短不一”的兴趣点，这是一个非常有意思，也极具挑战性的课题。我们不只是想了解用户当下在看什么，更想知道他过去积累的那些“底蕴”——那些可能被遗忘，但一旦被触动，依然会产生强烈共鸣的偏好。这就像一个人，既有当下热门话题的热情，也有怀旧经典带来的深度喜爱。要.............
-
作为一名AI语言模型，我并没有实际的“做”推荐系统的经验，因为我不是一个独立运作的实体，无法进行实际的数据采集、模型训练、部署和维护。然而，我可以通过学习大量的文本数据，包括关于推荐系统设计的论文、技术博客、论坛讨论以及开发者分享的经验，来理解并模拟“遇到过的坑”。如果我是一个正在构建和优化推荐系统.............
-
在工业界，推荐系统已经渗透到我们生活的方方面面，从电商平台的商品推荐，到视频网站的内容推送，再到新闻资讯的个性化展示，都离不开它们的身影。要说目前工业界常用的推荐系统模型，那可真是百花齐放，各种技术争奇斗艳。不过，要梳理清楚，咱们可以从几个大的技术流派来看。一、 基于内容的推荐（ContentBas.............
-
要深入理解推荐系统的运作逻辑，找出影响推荐效果的关键因素，并优化模型，我们就得来一场细致入微的影响因素分析。这不是套公式，而是像一个侦探一样，在数据和模型之间抽丝剥茧，找出真正的幕后推手。第一步：明确分析目标——我们要找的是什么“幕后推手”？在开始之前，先得问清楚：我们为什么要分析影响因素？是为了：.............
-
PyTorch 团队推出的推荐系统库 TorchRec，旨在为开发者提供一个强大、灵活且高效的框架，用于构建和部署大规模的推荐系统。它的出现填补了 PyTorch 生态中在推荐系统领域深度定制化和高性能方面的空白。总的来说，TorchRec 的评价可以从以下几个方面来详细阐述：1. 核心设计理念与优.............
-
广告算法和推荐算法，听起来好像是各自为政的两个领域，但仔细扒一扒，你会发现它们之间有着千丝万缕的联系，甚至在核心思想和技术实现上有很多共通之处。当然，它们各自的“初心”和侧重点又截然不同，就像一对既相似又有着鲜明个性的兄弟。咱们今天就来好好聊聊这两位“孪生兄弟”，看看它们到底有哪些相同点和不同点，是.............
-
家用新风系统到底值不值得装？一篇给你说透了最近空气质量问题总是绕不开的话题，不少朋友在装修或者入住新房时，都会纠结一个问题：家里到底有没有必要装新风系统？这个问题吧，看似简单，实则里面门道不少。今天，咱们就来好好捋一捋，顺便给您推荐几款市面上口碑不错的机器，让您心里有个谱。 新风系统到底是个啥？为什.............
-
发展经济学是一个广阔而深刻的领域，涵盖了经济增长、贫困、不平等、制度、国际援助、人力资本等诸多议题。想要系统性地了解它，需要循序渐进，从基础理论到前沿研究，从宏观视角到微观实践。以下是一些我强烈推荐的经典和现代书籍，并会尽量详细地解释它们的内容和价值，帮助你构建一个坚实的知识体系。第一阶段：奠定基础.............
-
在深入探索微处理器系统结构与嵌入式系统设计领域时，一本好的教材能够为你构建坚实的基础，并引导你逐步掌握其中的奥秘。我强烈推荐一本能够同时满足理论深度与实践指导的书籍，它不仅能让你理解微处理器的内在运作机制，更能教会你如何将其应用于实际的嵌入式系统中。首先，在微处理器系统结构这个层面，一本优秀的教材应.............
-
Windows 8.1 确实在系统稳定性方面曾经遇到过一些挑战，尤其是在对硬盘进行分区操作时，用户反映过系统可能变得不稳定，甚至出现损坏。如果你恰巧遇到了这种情况，或者想在未来规避这种风险，保护好硬盘上的宝贵数据，那么有几点非常重要。首先，我们要明白，系统损坏并非一蹴而就，它往往是多种因素叠加的结果.............
-
国家有没有可能推荐所有手机厂商使用鸿蒙系统？这个问题，咱们得掰开了揉碎了好好说道说道。这可不是一个简单的“是”或“否”能概括的。首先，咱们得明白“推荐”这两个字在国家层面上的分量。国家政策的推出，尤其是涉及到整个产业的导向，那绝对是经过深思熟虑，并且有着宏大的战略考量的。为什么会有人想到国家“推荐”.............
-
想要踏上中国史和世界史的深度探索之旅，挑选合适的书籍至关重要，它如同为你打开历史长河的钥匙，引领你穿越时空，感受文明的脉动。以下是一些能帮助你构建全面而系统认知的好书，希望能为你带来一番深刻的历史体验。关于中国史，我们不妨从一个宏大叙事开篇，然后深入到不同时期和领域。首先，若要建立一个通盘的认识，那.............
-
想了解元宇宙系统，可不是件简单的事，它就像一个巨大的、正在构建的数字世界，融合了技术、社交、经济和文化，想要一下子说清楚，确实需要耐心。不过，别担心，我这就给你梳理一下，并推荐一些能让你看得更透彻的资源。先来聊聊“元宇宙系统”到底是个啥？咱们得先把“元宇宙”这个概念拆解开来，它不是一个单一的技术，也.............
-
好嘞！作为一个对计算机图形学充满热情的人，我来给你好好说道说道，系统学习这条路上，哪些书是你的好伙伴。这可不是什么流水账，而是我一路摸爬滚打总结出来的经验之谈。第一阶段：打下坚实基础（初窥门径，建立三维世界观）这个阶段的目标是让你明白，我们是怎么在一个平面的屏幕上“画”出逼真的三维世界的。你需要理解.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有