那好，推荐算法究竟起了多大作用呢?它们当然一直都在增加在线销售额;据阿伦森集团(Aaronson Group)的分析师杰克•阿伦森(Jack Aaronson)估计，由于推荐算法带动销售额的增长，对推荐算法的投资能获得 10%-30% 的收益。而且，它们还只是刚刚起步。现在，对我们这些研究推荐系统的人来说，最大的挑战在于弄清楚如何去判断新的方法和算法才最好。这可不像基准化分析微处理器那么简单，因为不同的推荐系统有着非常不同的目标。

　　评价一个算法最简单的方法，是看它的预测和用户的实际评价之间差异有多大。举例来说，假如约翰给青春浪漫小说《暮光之城》(Twilight )一颗星，亚马逊或许会注意到算法根据其他相似用户的评价曾预计约翰会给两颗星，也即出现了一颗星的偏差。但是，卖家更加关心算法在用户评价高的商品上出的错，因为好评多的物品是顾客更有可能购买的;约翰反正也不会买《暮光之城》。所以，把这个评价计入考虑对理解推荐算法起了多大作用没什么帮助。

　　另一个常见方法是看算法给出的推荐结果和顾客实际购买的商品，之间匹配度有多高。不过，这种方法也可能起到误导作用，因为这样分析会将用户自己设法找到的商品错误地算在推荐算法的头上，而用户自己找得到东西恰恰是最不应该被推荐的!鉴于这些方法的缺点，研究人员一直在研究新的评判指标，不只看精度，也会关注像发现意外惊喜和多样性等其他属性。

　　发现意外惊喜(Serendipity)会加权不寻常的推荐结果，尤其是那些对某一个用户极具价值，但对其他同类用户而言没什么用的推荐结果。调整为发现意外惊喜的算法会注意到《白色相簿》似乎是一个对几乎每个人来说都不错的推荐，因此会改为寻找一个不太常见的选择——也许是 Joan Armatrading 的《爱和情感》。这个不那么热门的推荐结果不太可能击中目标，但一旦它遇上了，则将给用户带来一个大得多的惊喜。

　　看推荐结果的多样性同样也很能说明问题。比方说，一个超爱看 Dick Francis 神秘类小说的用户，在看到推荐表单里全都是 Dick Francis 的作品时，仍有可能会感到失望。一个真正多样化的推荐表单会包括不同作者和不同类型的书，还有电影、游戏和其他的产品。

　　推荐系统研究则需要突破各种各样的阻碍，远不止是在现有的系统上进行微调。研究者们眼下正在考虑的是，推荐算法应该在怎样一个程度上帮助用户发掘一个网站的内容集合中他们未曾了解的部分。比方说，把买书的人送去亚马逊的服装部门，而不是给一些安全的、顾客更有可能接受的推荐结果。在零售世界之外，推荐算法可以帮助人们接触到新的想法;就算我们不同意其中的一些，但整体作用大概会是积极的，因为这将有助于减少社会的巴尔干化(Balkanization，即碎片化)。推荐算法能不能做到这一点，还要不让人感到厌烦或者不信任，仍需拭目以待。

　　但有一点是明确的：推荐系统只会变得越来越好，收集越来越多关于你的数据，并在别的、意想不到的地方展示出来。如果你喜欢这篇文章，亚马逊会很乐意向你推荐其他所有你可能会喜欢的关于推荐系统的书。

　　Joseph A. Konstan 和 John Riedl 都是美国明尼苏达大学的计算机科学教授。身为 IEEE 高级会员的 Konstan 和 IEEE 会士的 Riedl 参与创建了 MovieLens 推荐系统。“猜你喜欢”是怎么猜中你心思的? 是本文的前半部分。

　　编译自:《IEEE科技纵览》Deconstructing Recommender Systems

　　内文图片:yoochoose.com;alumni.berkeley.edu

　　文章题图:netregistry.com.au