监督学习下深度学习特征工程的批判性思考

今天是2026年9月30日，星期三。国庆长假将至，无数人正打开旅游App，让AI推荐“最值得去”的目的地，让算法预测“你会喜欢的地方”。在旅行体验被数据化的今天，一个看似技术性的问题正变得格外重要：监督学习下的深度学习，真的能“看见”我们的情感吗？

1. 重新“发明”特征工程

通常人们以为，深度学习最大的贡献就是“自动提取特征”——我们不再需要手工设计边缘、纹理、颜色，神经网络会自动学会抽象表征。但在监督学习框架里，特征工程并没有消失，只是变得更加隐秘。

选哪些数据作为输入？是游客上传的照片、文字评论、定位轨迹，还是可穿戴设备的心率、皮肤电？用什么标签定义“开心”？是五颗星、笑脸emoji，还是“好评率+转发量”？这些问题看起来是数据预处理，本质上却是对世界观的编码。

所以，我想替特征工程说句公道话：它从未退场，只是转移到了更上游的“语义空间”：输入模态设计、标签体系构建、模型结构选择、评估指标设定。这些都是在定义“特征”。

2. 旅游情感识别中的“数据暴力”

如果把这套逻辑放到旅游+情感识别，批判性思考就变得紧迫起来。

比如，用游客分享的照片来预测景区愉悦感，我们很容易选择“颜色饱和度”“天空占比”“笑脸个数”作为模型偏好的特征。训练完成后，模型会告诉你：晴天、蓝海、网红机位更让人“幸福”。景区运营方据此优化营销，用户据此选择目的地，平台据此生成热门榜单。

可问题是：这种“幸福”是谁的样本定义的？

下雨天独自散步的审美体验、文化冲击带来的复杂情绪、和当地人聊天时的一点点尴尬与温暖——这些体验通常不会被拍成九宫格发出去，也极容易在数据中被当成“异常值”清洗掉。于是，监督学习的闭环开始自我实现：算法标注了“值得被看见的风景”，游客复制它们，平台继续放大它们，最终把旅游变成了“打卡同质化照片”的再生产。

这就是旅游情感识别中的“数据暴力”：我们不是理解了游客，而是让算法定义了什么是值得感受的，然后通过推荐系统让人类去适应这种定义。

3. 批判性特征工程：怎么破？

如果不想只是提出温和的质疑，我们该怎么做？我提出一个概念：批判性特征工程。

它的核心不是找到更多“预测力强”的特征，而是在构造特征前先质询特征。

- 质询标签：这是谁的情感？ 是游客的情感，还是平台想要的情感？如果标签来自OTA评分，那么模型学习到的可能只是“服务期望被满足”的程度，而非真实的旅行体验。把“评价”当成“体验”，是常见的方法论陷阱。

- 质询采样：谁的声音被听到了？ 拍摄意愿高的用户、爱发朋友圈的年轻人、城市中产家庭，会占据训练样本的主体。反向问一句：那些“沉默的大多数”和“不分享的旅行者”体验更差吗？ 我们不能用一个会分享的样本去解释所有不分享的人。

- 质询优化目标：我们到底在优化什么？ 如果将判断标准从“预测准确率”扩展到“是否促进多样化的旅行意义”“是否让居民生活更好”“是否减少过度旅游”，模型的特征空间就必须重新设计。比如加入环境承载力、本地居民情绪、非热门景区流量等特征，甚至把“未被推荐”也作为一种权利。

- 质询解释性：模型给出的“重要特征”是反馈还是引导？ 可解释性并不仅仅是给模型一个“理由”，而是要让我们看清：哪些特征被高估了，哪些被遮蔽了，哪些根本不在数据里。 对抗样本、公平性审计、反事实分析，都应该成为特征工程的日常工具。

4. 给AI一个“不推荐”的勇气

未来的智慧旅游不应该是“更懂你”的迎合式推荐。真正有洞察力的AI，应该能够识别你的疲惫、你的好奇心、你的不舒适，甚至敢于在所有人涌向同一片海滩时，轻声说：

“也许今天更适合去小街巷里走一走，那里没有网红店，但有一棵老树。”

要做到这一点，深度学习需要继续发展，但特征工程必须先变得批判。在监督学习面前，我们不仅是在训练模型，也是在训练自己看待世界的方式。

让AI从“风景的复制者”变成“旅行的提问者”——这或许才是旅游领域人工智能最浪漫的下一步。

作者声明：内容由AI生成