推薦系統還有另外兩大特點，也對你最終看到的推薦結果有著顯著的影響：第一，在弄清楚你和其他購物者的相似度有多高之前，推薦系統必須先弄明白你真正喜歡什麼；第二，推薦系統依照一組商業規則執行，以確保推薦結果既讓你覺得有用，也使商家有利可圖。
推薦演算法是如何贏得你的信任，又讓商家有錢可賺的？
採集你的上網資料當然，不論法律如何，顧客發現自己的資料被人濫用後，都會產生強烈的牴觸情緒。早在 2000 年 9 月，亞馬遜吃過一次苦頭：有一部分顧客發現他們收到的**更高，因為**將他們識別為老顧客，而不是匿名進入或是從某個比價**轉接進來的顧客。亞馬遜聲稱這只是一項隨機的**測試，其呈現出來的結果與老顧客身份之間的關聯純屬巧合。話是這樣說，它還是叫停了這項操作。
在商業規則下執行這個例子可能聽起來沒什麼，但在我們早期經手的乙個專案中，我們的推薦系統就曾經向幾乎每乙個到訪我們**的人推薦披頭四的《白色**》（white album）。從統計學的意義上講，這是個很棒的推薦：顧客此前都沒有從這個電子商務網點購買過這張**，而大多數顧客對《白色**》的評價都很高。儘管如此，這個推薦仍然是無效的——任何乙個對《白色**》感興趣的人都已經有了一張了。
其他的規則還包括禁止推薦為招徠顧客而虧本銷售的商品（loss leader）；反過來，鼓勵推薦滯銷品。在經營net perceptions期間，我們就曾與一位客戶合作，他利用推薦系統來識別庫存積壓商品的潛在客戶，取得了相當大的成功。
贏取你的信任
然而，這種事情很快就會變得棘手起來。乙個只會推銷高利潤商品的推薦演算法是不會贏得顧客的信任的。這就像是去餐館，那兒的服務生極力向你推薦某道魚一樣。這個魚真的是他覺得最好吃的嗎？還是大廚催著底下的人趕在魚變質前把它給賣出去？
但是，完善個人資料和解釋推薦結果往往不足以保證系統不出錯。最近，亞馬遜用高畫質大螢幕電視機（hdtv）的**電子郵件對喬進行了轟炸——每週 3 封，連續扔了乙個月。除了給喬寄了過多的電子郵件，這家零售商還沒有意識到，喬已經用他妻子的賬戶買了一台電視機。此外，這些電子郵件並沒有提供一種很明顯的方法，讓喬可以說「謝謝，但我不感興趣」。最終，喬取消了他在亞馬遜的一些郵件訂閱；他並不在意收不到各種資訊，而且他有了更多的時間來真的看他的電視。
推薦演算法的作用究竟有多大？
評價乙個演算法最簡單的方法，是看它的**和使用者的實際評價之間差異有多大。舉例來說，假如約翰給青春浪漫**《暮光之城》（twilight ）一顆星，亞馬遜或許會注意到演算法根據其他相似使用者的評價曾預計約翰會給兩顆星，也即出現了一顆星的偏差。但是，賣家更加關心演算法在使用者評價高的商品上出的錯，因為好評多的物品是顧客更有可能購買的；約翰反正也不會買《暮光之城》。所以，把這個評價計入考慮對理解推薦演算法起了多大作用沒什麼幫助。
另乙個常見方法是看演算法給出的推薦結果和顧客實際購買的商品，之間匹配度有多高。不過，這種方法也可能起到誤導作用，因為這樣分析會將使用者自己設法找到的商品錯誤地算在推薦演算法的頭上，而使用者自己找得到東西恰恰是最不應該被推薦的！鑑於這些方法的缺點，研究人員一直在研究新的評判指標，不只看精度，也會關注像發現意外驚喜和多樣性等其他屬性。
發現意外驚喜（serendipity）會加權不尋常的推薦結果，尤其是那些對某乙個使用者極具價值，但對其他同類使用者而言沒什麼用的推薦結果。調整為發現意外驚喜的演算法會注意到《白色相簿》似乎是乙個對幾乎每個人來說都不錯的推薦，因此會改為尋找乙個不太常見的選擇——也許是 joan armatrading 的《愛和情感》。這個不那麼熱門的推薦結果不太可能擊中目標，但一旦它遇上了，則將給使用者帶來乙個大得多的驚喜。
看推薦結果的多樣性同樣也很能說明問題。比方說，乙個超愛看 dick francis 神秘類**的使用者，在看到推薦表單裡全都是 dick francis 的作品時，仍有可能會感到失望。乙個真正多樣化的推薦表單會包括不同作者和不同型別的書，還有電影、遊戲和其他的產品。
推薦系統研究則需要突破各種各樣的阻礙，遠不止是在現有的系統上進行微調。研究者們眼下正在考慮的是，推薦演算法應該在怎樣乙個程度上幫助使用者發掘乙個**的內容集合中他們未曾了解的部分。比方說，把買書的人送去亞馬遜的服裝部門，而不是給一些安全的、顧客更有可能接受的推薦結果。在零售世界之外，推薦演算法可以幫助人們接觸到新的想法；就算我們不同意其中的一些，但整體作用大概會是積極的，因為這將有助於減少社會的巴爾幹化（balkanization，即碎片化）。推薦演算法能不能做到這一點，還要不讓人感到厭煩或者不信任，仍需拭目以待。
但有一點是明確的：推薦系統只會變得越來越好，收集越來越多關於你的資料，並在別的、意想不到的地方展示出來。如果你喜歡這篇文章，亞馬遜會很樂意向你推薦其他所有你可能會喜歡的關於推薦系統的書。
joseph a. konstan 和 john riedl 都是美國明尼蘇達大學的電腦科學教授。身為 ieee 高階會員的 konstan 和 ieee 會士的 riedl 參與建立了 movielens 推薦系統。
「猜你喜歡」是怎麼猜中你心思的？ 是本文的前半部分。
推薦系統 0 什麼是推薦系統？
隨著資訊科技和網際網路的發展，人們逐漸從資訊匱乏的時代走人了資訊過載 informationoverload 的時代。推薦系統就是解決資訊過載的重要工具。它的任務是聯絡使用者和資訊，一方面幫助使用者發現對自己有價值的資訊 另一方面讓資訊能夠展現在對它感興趣的使用者面前，從而實現資訊消費者和資訊生產者...
推薦系統 推薦系統是什麼（介紹）
由於某些原因呢，需要了解推薦系統，現在就推薦系統做乙個總結。顧名思義，推薦系統就是我給你做推薦，比如你到北京旅遊了，會推薦你去故宮 長城等地方，但是為什麼會給你推薦這些地方呢，而不推薦你去早晚高峰的西二旗站呢，這就是推薦系統需要做的。根據下圖，你能推測出使用者d對於游泳的喜好嗎？如果只看使用者d，我...
什麼是推薦系統？ 推薦系統實踐筆記1
隨著資訊科技 information technology 和網際網路 internet 的發展，人們逐漸從資訊匱乏的時代走向資訊過載的時代。對於內容生產者來說，需要思考的問題是如何使生產的資訊受到使用者的大量關注 對於使用者來說，如何快速找到自己所需要的資訊是很重要的。因此，有效連線內容生產者和使...