超越算法來看待個性化推薦

   一提到個性化推薦，你們通常會想到協同過濾、文本類似等推薦算法，或是更高階的模型推薦算法，百度的張棟說過，推薦40%取決於UI、30%取決於數據、20%取決於背景知識，雖然本人不是很認同這種比例，但推薦系統中，推薦算法起的做用起的做用是很是有限的。

      就像任何數據挖掘應用同樣，算法不是起決定做用的，背景知識、數據很重要。經過算法或數學模型來描述和解決問題，我以爲是工科或者理科背景同窗的習慣性思惟，爲何會有這種習慣性思惟？很簡單，由於受本身的知識背景限制。

     個性化推薦研究的對象是人和物品，針對人的層次，目前個性化研究領域上，用戶建模信息主要包括用戶喜歡的物品、風格、品類等，用這些比較靜態的信息來描述一我的，有固然總比沒有好，可是遠遠不夠的，相對於物品，人不是一個客觀的物體，但不少個性化推薦系統中迴避了這個複雜的問題，把人用一些數值和偏好來描述，而後根據這些來猜想用戶喜歡的商品。

     人的消費心理有分流行消費、求新消費、偏好消費、求廉消費、求名消費等等，傳統的個性化推薦只是知足了偏好消費這個方面，有些的人的偏好消費習慣很弱，若有些女性，喜歡在淘寶上看到「打折」商品就買，或者看到「新款」就買，這種狀況下，傳統的個性化推薦起的效果會很是弱。推薦系統須要分析出消費者的心理，進行更精細化的推薦，從而獲得更大的收益。

    個性化推薦中須要避免過分消費的現象，過猶不及，任何東西過分了，用戶會產生厭煩心理，如用戶看了幾部恐怖電影，反覆一直推薦恐怖電影，用戶買了個外套，反覆推薦類似的外套，一開始時，這種推薦會有效果，後面慢慢的，效果會愈來愈低，進行交替和輪流的推薦，效果可能會更好。