大家应该能发现，越来越多的推荐系统，特别是基于feed或者说基于流的推荐系统，比如短视频，比如淘宝的推荐主页，比如微博主页等等，新增了不喜欢或者不感兴趣这个按钮。
那么作为一名算法工程师，你应该如何使用这样的信号来帮助你的产品呢？
面对这样一个问题，或者面试题，其实是没有什么标准答案或者最好答案的，使用这个信号的方法是多种多样的。
可能首先大部分人能想到的是，不喜欢是一个很强的信号，它比类似“没有点赞”，“没有点击进入”，“停留不超过5秒”这样的负面信号还要负面，是一个high confident（高置信水平）的负面信号。
面对这样的信号，大家可能第一反应就是做一些rule（规则），比如“当当前内容与不喜欢过的内容或者产品相似，则降低其推荐权重。” 这个想法很直观，但是如何判断两个内容或者产品频是否“相似”，则引申出了另一个一个很大的机器学习问题。
那么我们可以把这些数据当做来训练用的label(标签）吗？这个当然也是可以的。但是这里就又引申出来了其他问题，比如我们是应该训练一个【预测用户是否喜欢一个item】的模型，然后把这些label当做额外的负面的label加到训练数据集使用，还是应该用这些label来训练一个【预测用户是否不喜欢一个item】的模型。 如果是第一种的话，如何给这些high confident的负面label更大的训练权重。是否可以作为multi-task learning的一个task来学习？ 如果作为label，它是否会过于稀疏了？等等等等。
我们还可以把不喜欢的信号，当做feature（特征）加到我们一些预测模型中。
除了以上讨论的，还有其他问题，比如用户现在不喜欢这个东西，那是否代表他永远不喜欢，如何考虑用户不喜欢程度随时间的变化？
以上就是很经典的一个ML Design的思考过程，作为ML从业人员，大家需要加强这种思维能力。这个不仅对于面试，对于工作来说也极其重要。
