2009年一月，在阿姆斯特丹舉行了一個(gè)名為Recked的活動(dòng)，活動(dòng)由Wakoopa和Strands主辦，旨在討論工程師們感興趣的推薦系統(tǒng)，

關(guān)于推薦引擎的5個(gè)問(wèn)題交互設(shè)計(jì)

。在活動(dòng)介紹的內(nèi)容中，提出了一些公司對(duì)于建造有效的推薦系統(tǒng)必須解決的幾個(gè)問(wèn)題。

    1.缺少數(shù)據(jù)

    或許推薦系統(tǒng)面臨的最大問(wèn)題，是需要大量的數(shù) 據(jù)，以便能形成有效的推薦�，F(xiàn)在能給出最好的推薦的公司正是那些擁有大量數(shù)據(jù)的公司：google，amazon，Netflix，last.fm，這并不是巧合。下圖是Recked活動(dòng)中Strand’s的演示文檔，如該圖所示，一個(gè)好的推薦系統(tǒng)首先需要類目（種類）數(shù)據(jù)（從目錄或者其它形式得到），然 后系統(tǒng)必須捕獲并且分析這些用戶數(shù)據(jù)（用戶行為），然后，再應(yīng)用神奇的算法工作。分析越多的類目（種類）和用戶數(shù)據(jù)，系統(tǒng)越有可能生產(chǎn)好的推薦。但是，這 又是一個(gè)蛋和雞的問(wèn)題：要形成好的推薦，首先需要有大量的用戶，這樣才能得到大量的推薦數(shù)據(jù)。

    2.不斷變化的數(shù)據(jù)

    這個(gè)問(wèn)題由Clicktorch公司（一家做“智能推薦”的公司）的CEO：Paul Edmunds 在ReadWriteWeb網(wǎng)站的評(píng)論中指出。他在評(píng)論中指出：系統(tǒng)通常偏向于舊的數(shù)據(jù)而難以有新的改進(jìn)。

   

    這 方面的一個(gè)例子是David Reinke在StyleHop（一個(gè)時(shí)尚愛(ài)好者的社會(huì)團(tuán)體）的博客上寫道：“過(guò)去的用戶形為并不是好的工具，因?yàn)橼厔?shì)總是在不斷變化”。很明顯，運(yùn)算方 法將很難或者不可能跟上時(shí)尚趨勢(shì)。時(shí)尚-挑戰(zhàn)人們-我接受時(shí)尚-依靠值得依賴的有時(shí)尚意識(shí)的朋友和家人，把衣服推薦給他們。

    David Reinke說(shuō)，“類目（種類）推薦行不通，因?yàn)橛刑�多的產(chǎn)品屬性，而每個(gè)屬性（比如價(jià)錢，顏色，風(fēng)格，面料，等等）在不同的時(shí)候?qū)τ谙�費(fèi)者的重要程度都是不一樣的”，他指出，社會(huì)化推薦可能可以“解決”這個(gè)問(wèn)題。

    3.不斷變化的用戶喜好

    提出這個(gè)問(wèn)題的仍然是Paul Edmunds，他認(rèn)為問(wèn)題在于：今天自己瀏覽amazon時(shí)是會(huì)有特定意圖的，明天或許會(huì)有另一個(gè)特定意圖，

電腦資料

《關(guān)于推薦引擎的5個(gè)問(wèn)題交互設(shè)計(jì)》(http://www.lotusphilosophies.com)。舉個(gè)典型的例子：有可能某天我會(huì)上amazon為自己買本書(shū)，但第二天我到amazon的原因可能是要為姐姐找一份生日禮物。

    對(duì)于用戶喜好，推薦系統(tǒng)也可能錯(cuò)誤的標(biāo)注。華爾街雜志2002年有一篇文章“如果TiVo覺(jué)得你是個(gè)同性戀，這就是把你標(biāo)注成同性戀的方式”

    4.不可預(yù)知的類目（事項(xiàng)）

    我們都知道，Netflix花100萬(wàn)美元來(lái)獎(jiǎng)勵(lì)能提升推薦引擎質(zhì)量10%的人。我們注意到對(duì)于一些古怪（特別）的電影會(huì)有一些問(wèn)題，有一些電影觀眾對(duì)它又愛(ài)又恨，比如：大人物拿破侖。這種類型的電影是很難去做推薦的，因?yàn)橛脩魧?duì)它們會(huì)有各種反映而且無(wú)法預(yù)計(jì)。

    音樂(lè)中就有很多種這樣的類型。你能猜出來(lái)某個(gè)作者同時(shí)是卡彭特和金屬樂(lè)的愛(ài)好者嗎？Last.fm可能需要這種推薦

    5.這個(gè)東西是復(fù)雜的

    我們可以很簡(jiǎn)明的描述，但是從下面這張Strands的演示PPT截圖可以看到，哪怕是最簡(jiǎn)單的推薦，也需要涉及到非常多的參數(shù)和變量（而且我們想象到的這些只涉及到系統(tǒng)表面）

    到目前為止，有很多公司都已經(jīng)建立起了用戶滿意程度較高的推薦引擎系統(tǒng)—amazon,Netflix,google這些名字跳入腦中。但是相對(duì)我們想 到的這些少數(shù)成功的案例，還有其它成百上千的網(wǎng)站和應(yīng)用，都在尋找推薦新產(chǎn)品和新內(nèi)容給用戶的道路上掙扎。的確，在ReadWriteWeb，我們更希望 讀者在網(wǎng)站上點(diǎn)擊發(fā)現(xiàn)更多其它的內(nèi)容，我們使用很多種插件和方法來(lái)達(dá)到這個(gè)目的，但目前我們并不滿意

   

    問(wèn)題之外

    推薦引擎可能發(fā)生的問(wèn)題有很多，比如：給出太多最低級(jí)公共屬性的推薦;對(duì)于長(zhǎng)尾的支持不夠;只推薦顯而易見(jiàn)的內(nèi)容，等等。

    原文:5 Problems of Recommender Systems

    本文來(lái)自：http://www.thinktag.cn/archives/73