以某条推荐算法举例：整体算法可以理解为一个函数（给定一个确定的输入，会依据该输入给出特定的输出），这个函数需要输入三个维度的变量。即：

y = F(xi, xu, xc)

其中，F为对应规则。第一个维度是内容（xi）。包括图文、视频、UGC（User Generated Content）小视频、问答内容、微头条等，每项内容有很多自己的特征，需要考虑到怎样提取不同内容类型的特征做好推荐。第二个维度是用户特征(xu)。包括各种兴趣，职业、年龄、性别等，还有很多模型刻画出的隐式用户兴趣等。第三个维度是环境特征(xc)。这是移动互联网时代推荐的特点，用户不可能一直在一个位置做一个固定的工作，在工作场合、通勤、旅游等不同的场景，信息偏好有所改变。

根据这三个输入，会得出特定的输出y，即推测推荐内容在这一场景下对这一用户是否合适。

但是，具体是怎样根据这些特定的输入得出输出的呢？其中就涉及到了智能推荐算法。其智能推荐算法原理可参考问答：“智能推荐算法的原理是什么？”

总的来讲，就是根据你阅读的内容，你特定的用户信息，以及环境因素等因素，通过算法去推荐内容，典型的推荐系统通常由挖掘、召回、排序三部分构成漏斗模型，在理想状态下，经过这三层漏斗的层层过滤，最终经过残酷 PK 留下来的信息应该是比较纯净、优质的信息。一篇新闻从生产到被人消费（阅读）都大致有这么个链条：创作，发布，抓取，分发，点击，阅读。六个环节，是三波人在参与：创作和发布是一拨人，内容生产者；抓取和分发是第二波人，很多都用上了推荐引擎（也就是推荐算法）；第三波进行点击和阅读就是内容消费者。现在讨伐的是假新闻被人看到，显然只讨伐中间的推荐引擎是不合适的，当然不讨伐也是不可能的，三波人都脱不了干系。

知道其中的推荐流程，为什么会推荐假新闻的问题就显而易见了。

首先我们要看什么是假新闻：假新闻（Fake news）是刻意以传统新闻媒体或是社会化媒体的形式来传播的错误资讯，目的是了误导大众，带来政治及经济的利益（源自维基百科）。

想必大家都知道发生在2016年的脸书假新闻。在11月9日美国共和党总统候选人唐纳德·特朗普击败民主党总统候选人希拉里·克林顿，当选美国第58届总统。很快，美国各大媒体纷纷刊文，指责脸书（Facebook）上泛滥的假新闻影响了选民判断，认为脸书是帮助特朗普获胜的“帮凶”。

针对“Google News Initiative”项目，Google 表示，“新闻计划”聚焦于实现三大目标——强化优质新闻报道，支持可持续的商业模式，以及通过技术创新向新闻编辑室赋权。此外，该公司还承诺在未来 3 年拿出 3 亿美元资金用于多个跟新闻有关的项目。其中通过Google订阅，读者可以更轻松地支付已同意与该公司合作的新闻机构的内容。该举措主要是为了增加可靠的信息来源。

对于智能推荐算法是如何筛选假新闻这个问题，楼上已经说得很清楚@佛系用户。我在此提一下针对如何减少假新闻的看法：

• 源头上，需要保证拥有可靠的信息源。比如谷歌计划订阅服务，让权威媒体获得更丰厚的收入回报，鼓励他们推出优质内容；
• 后续过程中：除了平台自查，人工干预之外，在技术上，可以尝试做这些事：

1. 在内容分析上，利用人工筛查的数据做样本，训练一些识别模型，可以把垃圾内容再细分一下，分别训练不同的识别模型，辅助人工做快速筛查；
2. 在内容抓取上，控制抓取源头的质量，避开垃圾内容的重灾区；
3. 在推荐分发上，从纯粹的数据驱动转变到数据启示，推荐算法的优化目标从单一目标转到多目标优化，除了考虑效果指标，还考虑内容多样性。
4. 在用户行为的使用上，也要有所甄别，考虑用户价值。
5. 在热门内容的使用上，有所甄别和有所克制，采用一些类别的热门内容或者采用某些优质用户圈子的热门内容，而非全局热门内容（参考“YouTube和今日头条很委屈：色情暴力的锅推荐系统该不该背？”）。

以上。

应该是训练样本的问题，让机器学习，但是训练样本本身就存在问题，或者是特征值不够明显，导致最后的算法出现了问题，分辨假新闻的能力就没有那么强了，所以才会出现假新闻。

忽然想起了2017年度十大假新闻，想看的可以看看：2017年，外国网民最喜欢看的10条假新闻

智能推荐算法还是得基于人工智能，基于云计算，推荐使用腾讯云。

我觉得即便再智能的算法目前来讲也需要人工进行干预，不然后果真的不堪设想。人工智能还是不能完全代替人工的。

利益所驱吧。总有那些人有着不为人知的目的

快点推出来这个项目吧，假新闻真的害人不浅，也可怜了那些曾经被假新闻坑害过的人。