网络推荐系统的三大挑战(2)

　　推荐系统的善意显示是指推荐系统是否愿意如实、客观地为用户做出推荐。它包含了3个方面：1、推荐结果的客观性，即推荐结果是否真正依据当前用户的偏好信息与其他相关数据，通过计算机算法客观得出推荐建议，而不是为了商业目的刻意诱导用户去购买某些商品。2、推荐过程的透明度，即网络推荐系统是否提供推荐结果从何产生的原因，如阿里巴巴网站上的“购买此商品的顾客也同时购买”，表明此推荐信息是参考类似用户的购买行为，为当前用户所做出的推荐。3、推荐过程的用户参与性，即网络购物环境下让用户了解推荐产生的过程并允许用户与推荐系统进行信息的互动。如亚马逊使用的网络推荐系统会根据用户过去的消费记录，提供一系列相关商品建议用户进行评价（“喜欢”、“不喜欢”），随后推荐系统根据用户的评价信息即时推荐一批新的他们很可能感兴趣的商品。这样的网络推荐系统设计提高了用户参与度，很好地实现了与用户的双向互动。
　　挑战2推荐信息准确性、多样性和新奇性的平衡
　　向用户推荐商品的过程中，最保险的做法莫过于给他推荐最流行和评分最高的产品，因为从概率的角度这些产品被喜欢的可能性最大，最起码这些商品被讨厌的概率会很小。例如，一项在某餐馆的研究发现：研究者在某些餐桌上向顾客展示出最受欢迎的五道菜肴的销量排名信息，这些菜肴的需求量提高了13%-20%，并且用户的用餐满意度也提高了。但是从用户体验的角度来说，这种策略不一定是最佳的选择，因为用户很可能已经知道了这些热销流行的产品，所以得到的信息量很少。长此以往，在用户的心目中对于网络推荐系统的信任就会有所下降。从另一角度来讲，更加多样化和新奇的产品推荐对网站来说也是有利可图的。多样化和新奇的产品不仅可以提高用户的体验满足感，而且对网站而言，低知名度的产品与知名产品相比所带来的毛利率更高。
　　遗憾的是，推荐信息的准确性、多样性和新奇性之间确实存在一定的矛盾。准确的推荐风险最小但用户体验性不足（用户认为这样的推荐过于大众化）；多样化的推荐受众最广但准确性欠缺（推荐信息缺乏针对性）；新奇的推荐最令人惊喜但面临较大的风险（推荐一个没人用过或者评价较低的产品，可能引起用户的警惕甚至反感）。如何权衡三者之间的矛盾成为推荐系统亟待解决的一个重要问题。
　　一个可能的解决方向在于用户行为的深度挖掘。一般而言，随着购物经验的积累，用户对于推荐信息中的多样化需求越来越高，并希望看到更多的“意外之喜”。所以，新用户倾向于选择热门的商品，而老用户对小众商品关注更多；新用户所选择的商品相似度更高，老用户所选择的商品多样性更强。例如，针对新老客户不同的行为模式，推荐系统可以提供类似于滑动按钮来调节“准确性—多样性”之间的平衡——用户想看热门时，算法提供热门推荐；用户想找点很酷的产品时，算法提供更多样化的推荐。
　　挑战3社会化媒体与网络推荐系统
　　在当前技术条件下，企业能够记录、收集用户在各个领域（如文化消费、娱乐消费、电子消费品、耐用品等）、各个渠道（如网上商城、移动终端等）、各个购买阶段（产品知晓、品牌比较、产品购买、购后评价、社会互动等）的感知、行为数据并将这些数据进行整合，从而使得企业对市场的理解和对用户的需求洞察更加实时化、精准化。但这仅仅是个性化网络推荐系统的开始。很多年前，研究者就发现，用户更加相信朋友的推荐而不是商业化的“推荐信息”。社会影响要比用户的历史行为的相似性更加重要，通过社会网络分析可以更加准确地预测用户的需求和购买行为。
　　社会化媒体的兴起为网络推荐系统提供了新的机会——社会化推荐。如果用户的历史交易数据能够与一些社会化媒体数据（如Facebook、Twitter、微博、微信等）结合起来，那么企业将打通用户生活方式与消费行为之间的桥梁，构建出用户全面细致的生活方式图谱。我们可以通过了解用户全面的兴趣图谱预测其需求偏好，可以通过了解用户的购物经历从而判断其决策偏好，可以通过了解用户的社会网络理解其社会化需求。通过这些数据的结合，我们可以跟踪并迅速应对用户偏好的变化，能够准确预测出用户的潜在需求，能够运用社会化网络的智慧为用户提供个性化解决方案，甚至在用户自己都不知道或者不能清楚表达出某个需求时，准确地为用户设计、推荐、提供与其“情投意合”的产品和服务。

　　论文榜（www.zglwb.com），是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导，寻求投稿辅导代理，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


期刊鉴别	论文检测	免费论文	特惠期刊	学术答疑	发表流程

搜索

网络推荐系统的三大挑战(2)