網購時系統推薦的「猜你喜歡」有時比自己更懂你。推薦系統究竟如何「猜中」人心?本文由推薦系統領域權威專家Joseph A. Konstan與John Riedl深度解析(基於觀察推理,無內部消息)。
Netflix推薦視頻、TiVo自動錄製、Pandora生成個性音樂流——皆源於推薦系統。早期僅幾十人研究,今擁數百研究員分佈高校、大型零售商、專業公司。隨著更多類型用戶數據可用,創新算法應用其上,系統迅速進化為極其複雜精專的智能體,並向零售外擴展:大學選課指導、電信預測用戶流失、會議分配審稿專家等。
主流採用個性化協同推薦:


早期GroupLens、MIT Ringo採用。計算用戶對同一物品評分相似度構建「鄰集」。缺陷:有意義鄰集難形成(共同評分少、多為大眾熱門片);用戶距離變化快,需實時計算,延遲高。
亞馬遜、Netflix公開採用變種。計算兩物品間距離,依據給它們評分用戶的相似度。物品對距離基於成百上千萬評分,相對穩定,可預計算,推薦生成極快。缺陷:用戶評分不一致性(心情/印象變化導致重評分差異)。
解決「太死」問題:發現共同喜好但忽略潛在相似用戶組合(如喜歡莫奈睡蓮系列但每人偏好不同幅作)。通過奇異值分解(SVD)將巨型用戶-物品矩陣分解為兩個「口味矩陣」(用戶×抽象維度、物品×抽象維度)+一個殘差矩陣。將維度壓縮至50-100,大幅提升效率,能發現相似但不完全相同的用戶群。缺點:矩陣構建時間隨用戶/產品數量指數級增長,需頻繁重建。
推薦系統只會越來越好,收集更多數據,在意想不到的地方展示。若你喜歡此文,亞馬遜會樂意推薦更多關於推薦系統的書。