从豆瓣九点一个忽悠人的推荐说起

MENU

SocialBeta

个人主页>>
上一篇
Collecta:挑衅google的实时搜索引擎(real-time search)

从豆瓣九点一个忽悠人的推荐说起

SocialBeta | 2009-07-03 15:14
本文作者@puting。 我在豆瓣九点上把自己的一篇文章推荐了下,下面出现了"推荐这篇文章的人还推荐了。。。"这么个列表,咋一看没什么问题,但仔细一想,有问题:这篇文章是我自己的,且只有我一个人推荐过,也就是说下面出现的文章是我推荐过的,但我没有,怎么可以说"推荐这篇文章的人还推荐了。。。" 豆瓣忽悠人的推荐 豆瓣九点这里是基于我之前浏览过的一些博客而推荐的,也算是和我这个人关联起来了,问题出在文案提示上,应该是"推荐这篇文章的人还关注。。。",那么,什么样的推荐系统算是好的推荐系统?这个评判标准有没有一个量化的指标呢?不过,要是真有一个很精确的量化标准,用户也不一定认可,毕竟用户都是从自己的主观意思去感觉网站推荐给他的内容是好还是坏的,也许同样的内容,用户心情好的时候,会觉得推荐的内容很对口,而在心情差的时候就很难说了,我觉得用户感知一个推荐系统的应该可以分成以下一些层次:

推荐系统的3个层次

1 基于具体内容的推荐,至少我看了一条迈克杰克逊的消息,推荐的内容不能是朝鲜核武器; 2 基于社会化的推荐,至少不能像豆瓣九点这样,让我一看就知道是忽悠人的,最起码要推荐一些和我有共同兴趣爱好者当中的相关内容; 3 个性化的推荐,至少要弄清楚我的过去的喜好,让我有一种吃惊的意外发现(我上次听说有人在淘宝上看了下泳镜防雾剂,结果淘宝推荐了比基尼和连体内衣什么的,这种意外发现也让人大吃一惊) 当然,推荐系统不可能百分比完美,我觉得豆瓣已经做的非常好了,比如我买的很多书,都不是我原先寻找的那本,都是通过豆瓣发现的书。之前我的翻译的一篇文章,推荐系统:电子商务网站的"金牌销售员",说明了推荐系统对于一个网站特别是电子商务网站的重要性,而一个好的推荐系统会面临很多难题:

推荐系统的难点

第一, 数据缺少问题,特别是一个新的网站,在只了解用户一点点数据(用户行为 兴趣爱好 历史购买),推荐系统很难做好,最近上线的hunch,就通过先问用户一些问题来临时的收集一些数据,从而达到一个准确决策的效果。 第二, 数据是不断变化的,也许用户在过去的喜好,今天早已没有这个喜好了,或者是上次为别人买了某个东西,或者我昨天没了个手机,如果下次你还推荐给我一些手机,我也许很反感,我不可能天天要买手机啊,这种基于过去的用户数据推荐,也许是不合适的。 第三, 用户是反复无常的,推荐的内容好坏更多取决于用户当时的复杂的情绪,即使推荐的内容很精确,从算法的角度说很完美,但是用户当时就是不喜欢,那用户就认为没有推荐的东西是垃圾。 总之,一个好的推荐系统不是一日建成的,更不是靠一个很高明的算法就可以解决的,更重要的要有一个开放的特性,不断的和用户"交谈",让用户参与到这个"推荐系统"的建设中去,慢慢地,相处久了,默契度自然就高了。 本文链接:http://www.socialbeta.com/articles/douban.html 作者:@puting ———————————————— 您可能对下面的文章感兴趣: 推荐系统:电子商务网站的“金牌销售员” 【一心一译】协同过滤(Collaborative Filtering):社会化网络的生命线

共有 0 条评论

请先 登录 再发表评论
暂时木有评论
TOP