超越算法来看待个性化推荐
一提到个性化推荐,大家一般会想到协同过滤、文本相似等推荐算法,或是更高阶的模型推荐算法,百度的张栋说过,推荐40%取决于UI、30%取决于数据、20%取决于背景知识,虽然本人不是很认同这种比例,但推荐系统中,推荐算法起的作用起的作用是非常有限的。
就像任何数据挖掘应用一样,算法不是起决定作用的,背景知识、数据很重要。通过算法或数学模型来描述和解决问题,我觉得是工科或者理科背景同学的习惯性思维,为什么会有这种习惯性思维?很简单,因为受自己的知识背景限制。
个性化推荐研究的对象是人和物品,针对人的层次,目前个性化研究领域上,用户建模信息主要包括用户喜欢的物品、风格、品类等,用这些比较静态的信息来描述一个人,有当然总比没有好,但是远远不够的,相对于物品,人不是一个客观的物体,但很多个性化推荐系统中回避了这个复杂的问题,把人用一些数值和偏好来描述,然后根据这些来猜测用户喜欢的商品。
人的消费心理有分流行消费、求新消费、偏好消费、求廉消费、求名消费等等,传统的个性化推荐只是满足了偏好消费这个方面,有些的人的偏好消费习惯很弱,如有些女性,喜欢在淘宝上看到“打折”商品就买,或者看到“新款”就买,这种情况下,传统的个性化推荐起的效果会非常弱。推荐系统需要分析出消费者的心理,进行更精细化的推荐,从而得到更大的收益。
个性化推荐中需要避免过度消费的现象,过犹不及,任何东西过度了,用户会产生厌烦心理,如用户看了几部恐怖电影,反复一直推荐恐怖电影,用户买了个外套,反复推荐相似的外套,一开始时,这种推荐会有效果,后面慢慢的,效果会越来越低,进行交替和轮流的推荐,效果可能会更好。
Meet so Meet.
C plusplus
I-PLUS....