网络推荐系统的三大挑战

　　如今，网络推荐系统已经在互联网上得到了广泛的应用，并且为企业赢得了丰厚的回报。作为先驱者，Amazon公司35%的销售额来自于推荐系统。GoogleNews称推荐系统使其文章的阅读率提高了38%；Netflix公司60%的影片租赁业务来自于推荐系统。中国的网络企业在这个方面从未落后，如京东商城、一号店和当当网等也早已采用了网络推荐系统。
　　亚马逊的创始人杰夫·贝佐斯说：“有100万个顾客就应该有100万个亚马逊。”为了达到这样一个梦想，过去十年中无数专家学者投身于推荐方法和技术的创新中。虽然目前网络推荐系统在各个行业都获得了广泛关注和认可，但总体来说，网络推荐系统的发展仍然处于比较初级的阶段。
　　今天，我们的推荐系统似乎还没有想象中这么聪明。当你从某网站上购买过一个马桶刷之后，2个月内每当你在互联网上浏览新闻时，蹦出来的广告总是与马桶有关，似乎它们还分不清购买一个马桶刷和专业马桶清洁工之间的区别。当你试图在某购物网站上寻找一款MP3播放器，你会发现出现在推荐界面的要么是销量最大的（这款产品往往也是同档次产品中比较便宜的款式），要么是网站主推的广告产品（这款产品肯定也是网站收益最高的产品），或者你只好在几十个品牌上百种各类播放器中用自己发酸的眼睛慢慢浏览，这时你不由得感慨：“想安安静静听会儿音乐真难啊！”
　　可见，推荐系统领域仍然面临着大量亟待解决的问题和挑战，有些问题属于技术性难题，如数据稀疏性问题、冷启动问题、大数据处理能力问题等，有的问题则属于系统设计方面的问题，如系统脆弱性问题、推荐效果评价问题等。这里，我们主要从用户体验的角度提出三个推荐系统面临的挑战以及可能的解决方案。
　　挑战1用户对推荐系统“信任”的建立
　　在网络推荐系统的应用中，首先要解决的问题是用户的“信任”问题。用户在接触到推荐信息时，对于信息的接受意愿首先是基于对信息可信性的判断。该信息是否准确？该信息是否客观真实？该信息的生成过程是否透明？用户“信任”问题的解决直接关系着用户对推荐信息的采纳意愿以及随后的购买意愿和购买行为。
　　这个关键问题的解决必须通过两个途径来进行：展示能力；显示善意。研究者基于信任——技术接受模型，发现推荐系统的能力和善意影响用户对推荐系统的信任，信任影响推荐系统的感知有用性，并最终影响到对推荐系统的采纳意愿。
　　推荐系统的能力是指推荐系统是否能为用户做出准确的推荐，也就是推荐结果的准确性。大量的研究表明推荐系统的算法影响到推荐信息的准确性，因此对于推荐逻辑和推荐算法的研究在网络推荐系统研究领域受到学者的关注和偏爱。但实际上，这个准确性的评价标准并不是客观的，而是基于用户感知到的推荐结果与其偏好的匹配程度。同时，这种匹配程度的判断还会受到很多外部线索的影响，例如，其他用户对产品的评价分布、产品信息线索等。