大数据时代，影响推荐效果的因素

在一个网站或者app中，推荐系统通常会和整个大系统的多个方面有交互，推荐系统本身也有很多的组成部分，再加上整个系统所处的大环境，综合起来会有很多因素影响着一个推荐系统最终效果的好坏，这里的效果指的是包括准确率、召回率、多样性等等指标在内的一个整体整体效果，不做具体区分。在这里我们试对其中一些主要的因素做一讨论。需要指出的是，这些因素里面并不是所有的我们都可以左右，但是了解它们究竟是什么对我们开发和优化系统还是非常有用的。

一、用户因素

与广告系统需要同时面对用户和广告主不同，推荐系统的服务对象只有一个，那就是用户，所以用户的因素很大程度会影响系统的效果。具体来讲，系统中新用户和老用户的比例可以说是对效果影响最大的因素之一。大家知道推荐系统是高度依赖用户行为的，而对于无任何行为或者行为非常少的新用户，效果肯定是不会太好的，所以整个系统中新用户的比例越高，系统的整体表现就会越差。

这就是一个典型的推荐系统本身无法左右的因素，而是需要整个系统共同努力来解决。对于这个问题，有两种解决思路：一种是努力优化推荐系统的冷启动算法，这种方法肯定会有效，但是其天花板也是非常低的；而另一种方法，是努力将平台上的新用户转化为老用户，也就是说努力让他们与平台多交互，产生行为，从而脱离冷启动的阶段。这两种方法相比，可能第二种的效果要更好，这主要是因为冷启动算法的优化空间实在有限，而将其转为“热”用户之后，各种优化策略就都可以派上用场了。这也是一种可以在多种场景下借鉴的思路：将未知问题转化为已知问题，而不是创造新问题。

二、产品设计因素

所谓产品设计因素，指的是推荐出的物品在什么位置、以何种形式展示给用户。如果说推荐算法是一个人的内在，那么产品设计就是一个人的脸。在现在这个看脸的时代，长得好不好看会很大程度上影响算法能量的释放程度。最常见的影响效果的外在因素包括但不限于：

图片的质量。互联网早已进入读图时代，无论任何物品的推荐，例如商品、资讯等，有图片的吸引力一定是大于无图片的。而对于都有图片的情况，图片的大小和清晰度则会对用户是否感兴趣产生很大影响。除了大小和清晰度这种基础的质量以外，图片本身传达出来的信息的质量也很关键，例如对于商品的图片，如果不能在图片中展示出该商品的主