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。