比如，對一本書的評分，下面列出兩個描述方式，前者是我所提倡的，括號裡的是豆瓣現在採用的。
1分：我很不喜歡（很差）
2分：我不喜歡（較差）
3分：還行（還行）
5分：我非常喜歡（力薦）
乙個顯然的區別是：前者是從主觀出發的，後者則主要是基於客觀情況的。前者表達了自己對物件的喜好程度，後者表達的是基於自己的評判尺度下物件的***壞。
進而造成的區別是：從前者的情感訴求出發，得到的資料結果是反映物件之間類別的區別的；而從後者的情感訴求出發，得到的資料結果是反映物件之間質量的區別的。前者可以用來對物件進行分類，進而對人群進行分眾；後者的分類只是對物件質量的
高低分類。
在書籍領域上述現象不算明顯，因為看一本書的成本很大，我在看之前已經作好了題材上的區分：我喜歡什麼樣的所以我才去看什麼樣的。而對於電影、新聞這種大眾化的素材，這種現象會很明顯。我已經觀察到用收藏與否來替換打分作為計算依據，效果不會相差太多。這就是說，推薦系統變成乙個0-1系統，分值已經沒有產生太大的影響。
對於大部分使用者，即使他不喜歡＜紅樓夢＞，你提示說1分是「很差」，社會知識也會告訴他們不能這樣做（以下衍生多種可能，請隨意想像，比如1分變3分，比如收藏了不評分，再比如乾脆不收藏了），但如果你提示說1分是「我不喜歡」，他會欣然而往。錯誤的解釋系統會導致錯誤的推薦系統，儘管這似乎還不太明顯，因為我們還沒實現更好（沒坐過寶馬之前，每個人都會為夏利而歡呼，但我們需要進步）。
推薦系統裡，解釋是很重要的，這包括推薦後的解釋，還有不太為人所關注的：推薦前的解釋。
推薦系統實踐 好的推薦系統
一 好的推薦系統 1.什麼是推薦系統 從某種意義上說，推薦系統和搜尋引擎對於用語來說是兩個互補的工具。搜尋引擎滿足了使用者有明確目的時的主動查詢需求，而推薦系統能夠在使用者沒有明確目的的時候幫助他們發現感興趣的內容。分為社會化推薦，基於內容的推薦和基於協同過濾的推薦。目前廣告投放的技術主要分三種 上...
推薦系統 推薦系統的常用演算法概述
前一陣子準備畢業 的開題，一直在看推薦系統相關的 對推薦系統有了乙個更加清晰和理性的認識，也對推薦演算法有了深入了解。藉此機會總結分享一下，大家多多拍磚。推薦系統的出現 隨著網際網路的發展，人們正處於乙個資訊 的時代。相比於過去的資訊匱乏，面對現階段海量的資訊資料，對資訊的篩選和過濾成為了衡量乙個系...
有名的推薦系統 推薦系統理論
前面我們都一直在講各種資料結構和重點排序演算法，今天我們來換一種口味吧，那就是有名的推薦演算法 1 推薦演算法 實際上解決推薦這個問題，不需要太多的理論,解決思路的核心思想非常簡單,a 乙個是基於使用者進行推薦 換種說法就是尋找和你口味差不多的人,進行相互推薦 b 乙個是基於商品進行推薦,換句話說就...