关于推荐引擎的5个问题

2009年一月，在阿姆斯特丹举行了一个名为Recked的活动，活动由Wakoopa和Strands主办，旨在讨论工程师们感兴趣的推荐系统。在活动介绍的内容中，提出了一些公司对于建造有效的推荐系统必须解决的几个问题。

1.缺少数据
或许推荐系统面临的最大问题，是需要大量的数 据，以便能形成有效的推荐。现在能给出最好的推荐的公司正是那些拥有大量数据的公司：google，amazon，Netflix，last.fm，这并不是巧合。下图是Recked活动中Strand’s的演示文档，如该图所示，一个好的推荐系统首先需要类目（种类）数据（从目录或者其它形式得到），然 后系统必须捕获并且分析这些用户数据（用户行为），然后，再应用神奇的算法工作。分析越多的类目（种类）和用户数据，系统越有可能生产好的推荐。但是，这 又是一个蛋和鸡的问题：要形成好的推荐，首先需要有大量的用户，这样才能得到大量的推荐数据。

2.不断变化的数据
这个问题由Clicktorch公司（一家做“智能推荐”的公司）的CEO：Paul Edmunds 在ReadWriteWeb网站的评论中指出。他在评论中指出：系统通常偏向于旧的数据而难以有新的改进。

这 方面的一个例子是David Reinke在StyleHop（一个时尚爱好者的社会团体）的博客上写道：“过去的用户形为并不是好的工具，因为趋势总是在不断变化”。很明显，运算方 法将很难或者不可能跟上时尚趋势。时尚-挑战人们-我接受时尚-依靠值得依赖的有时尚意识的朋友和家人，把衣服推荐给他们。

David Reinke说，“类目（种类）推荐行不通，因为有太多的产品属性，而每个属性（比如价钱，颜色，风格，面料，等等）在不同的时候对于消费者的重要程度都是不一样的”，他指出，社会化推荐可能可以“解决”这个问题。

3.不断变化的用户喜好
提出这个问题的仍然是Paul Edmunds，他认为问题在于：今天自己浏览amazon时是会有特定意图的，明天或许会有另一个特定意图。举个典型的例子：有可能某天我会上amazon为自己买本书，但第二天我到amazon的原因可能是要为姐姐找一份生日礼物。

对于用户喜好，推荐系统也可能错误的标注。华尔街杂志2002年有一篇文章“如果TiVo觉得你是个同性恋，这就是把你标注成同性恋的方式”

4.不可预知的类目（事项）
我们都知道，Netflix花100万美元来奖励能提升推荐引擎质量10%的人。我们注意到对于一些古怪（特别）的电影会有一些问题，有一些电影观众对它又爱又恨，比如：大人物拿破仑。这种类型的电影是很难去做推荐的，因为用户对它们会有各种反映而且无法预计。

音乐中就有很多种这样的类型。你能猜出来某个作者同时是卡彭特和金属乐的爱好者吗？Last.fm可能需要这种推荐

5.这个东西是复杂的
我们可以很简明的描述，但是从下面这张Strands的演示PPT截图可以看到，哪怕是最简单的推荐，也需要涉及到非常多的参数和变量（而且我们想象到的这些只涉及到系统表面）

到目前为止，有很多公司都已经建立起了用户满意程度较高的推荐引擎系统—amazon,Netflix,google这些名字跳入脑中。但是相对我们想 到的这些少数成功的案例，还有其它成百上千的网站和应用，都在寻找推荐新产品和新内容给用户的道路上挣扎。的确，在ReadWriteWeb，我们更希望 读者在网站上点击发现更多其它的内容，我们使用很多种插件和方法来达到这个目的，但目前我们并不满意

问题之外
推荐引擎可能发生的问题有很多，比如：给出太多最低级公共属性的推荐;对于长尾的支持不够;只推荐显而易见的内容，等等。

原文:5 Problems of Recommender Systems