網(wǎng)絡推薦系統(tǒng)的三大挑戰(zhàn)

如今，網(wǎng)絡推薦系統(tǒng)已經(jīng)在互聯(lián)網(wǎng)上得到了廣泛的應用，并且為企業(yè)贏得了豐厚的回報。作為先驅(qū)者，Amazon公司35%的銷售額來自于推薦系統(tǒng)。Google News稱推薦系統(tǒng)使其文章的閱讀率提高了38%；Netflix公司60%的影片租賃業(yè)務來自于推薦系統(tǒng)。中國的網(wǎng)絡企業(yè)在這個方面從未落后，如京東商城、一號店和當當網(wǎng)等也早已采用了網(wǎng)絡推薦系統(tǒng)。

亞馬遜的創(chuàng)始人杰夫·貝佐斯說：“有100萬個顧客就應該有100萬個亞馬遜。”為了達到這樣一個夢想，過去十年中無數(shù)專家學者投身于推薦方法和技術的創(chuàng)新中。雖然目前網(wǎng)絡推薦系統(tǒng)在各個行業(yè)都獲得了廣泛關注和認可，但總體來說，網(wǎng)絡推薦系統(tǒng)的發(fā)展仍然處于比較初級的階段。

今天，我們的推薦系統(tǒng)似乎還沒有想象中這么聰明。當你從某網(wǎng)站上購買過一個馬桶刷之后，2個月內(nèi)每當你在互聯(lián)網(wǎng)上瀏覽新聞時，蹦出來的廣告總是與馬桶有關，似乎它們還分不清購買一個馬桶刷和專業(yè)馬桶清潔工之間的區(qū)別。當你試圖在某購物網(wǎng)站上尋找一款MP3播放器，你會發(fā)現(xiàn)出現(xiàn)在推薦界面的要么是銷量最大的（這款產(chǎn)品往往也是同檔次產(chǎn)品中比較便宜的款式），要么是網(wǎng)站主推的廣告產(chǎn)品（這款產(chǎn)品肯定也是網(wǎng)站收益最高的產(chǎn)品），或者你只好在幾十個品牌上百種各類播放器中用自己發(fā)酸的眼睛慢慢瀏覽，這時你不由得感慨：“想安安靜靜聽會兒音樂真難啊！”

可見，推薦系統(tǒng)領域仍然面臨著大量亟待解決的問題和挑戰(zhàn)，有些問題屬于技術性難題，如數(shù)據(jù)稀疏性問題、冷啟動問題、大數(shù)據(jù)處理能力問題等，有的問題則屬于系統(tǒng)設計方面的問題，如系統(tǒng)脆弱性問題、推薦效果評價問題等。這里，我們主要從用戶體驗的角度提出三個推薦系統(tǒng)面臨的挑戰(zhàn)以及可能的解決方案。

挑戰(zhàn)1 用戶對推薦系統(tǒng)“信任”的建立

在網(wǎng)絡推薦系統(tǒng)的應用中，首先要解決的問題是用戶的“信任”問題。用戶在接觸到推薦信息時，對于信息的接受意愿首先是基于對信息可信性的判斷。該信息是否準確？該信息是否客觀真實？該信息的生成過程是否透明？用戶“信任”問題的解決直接關系著用戶對推薦信息的采納意愿以及隨后的購買意愿和購買行為。

這個關鍵問題的解決必須通過兩個途徑來進行：展示能力；顯示善意。研究者基于信任——技術接受模型，發(fā)現(xiàn)推薦系統(tǒng)的能力和善意影響用戶對推薦系統(tǒng)的信任，信任影響推薦系統(tǒng)的感知有用性，并最終影響到對推薦系統(tǒng)的采納意愿。

推薦系統(tǒng)的能力是指推薦系統(tǒng)是否能為用戶做出準確的推薦，也就是推薦結果的準確性。大量的研究表明推薦系統(tǒng)的算法影響到推薦信息的準確性，因此對于推薦邏輯和推薦算法的研究在網(wǎng)絡推薦系統(tǒng)研究領域受到學者的關注和偏愛。但實際上，這個準確性的評價標準并不是客觀的，而是基于用戶感知到的推薦結果與其偏好的匹配程度。同時，這種匹配程度的判斷還會受到很多外部線索的影響，例如，其他用戶對產(chǎn)品的評價分布、產(chǎn)品信息線索等。

推薦系統(tǒng)的善意顯示是指推薦系統(tǒng)是否愿意如實、客觀地為用戶做出推薦。它包含了3個方面：1、推薦結果的客觀性，即推薦結果是否真正依據(jù)當前用戶的偏好信息與其他相關數(shù)據(jù)，通過計算機算法客觀得出推薦建議，而不是為了商業(yè)目的刻意誘導用戶去購買某些商品。2、推薦過程的透明度，即網(wǎng)絡推薦系統(tǒng)是否提供推薦結果從何產(chǎn)生的原因，如阿里巴巴網(wǎng)站上的“購買此商品的顧客也同時購買”，表明此推薦信息是參考類似用戶的購買行為，為當前用戶所做出的推薦。3、推薦過程的用戶參與性，即網(wǎng)絡購物環(huán)境下讓用戶了解推薦產(chǎn)生的過程并允許用戶與推薦系統(tǒng)進行信息的互動。如亞馬遜使用的網(wǎng)絡推薦系統(tǒng)會根據(jù)用戶過去的消費記錄，提供一系列相關商品建議用戶進行評價（“喜歡”、“不喜歡”），隨后推薦系統(tǒng)根據(jù)用戶的評價信息即時推薦一批新的他們很可能感興趣的商品。這樣的網(wǎng)絡推薦系統(tǒng)設計提高了用戶參與度，很好地實現(xiàn)了與用戶的雙向互動。

挑戰(zhàn)2 推薦信息準確性、多樣性和新奇性的平衡

向用戶推薦商品的過程中，最保險的做法莫過于給他推薦最流行和評分最高的產(chǎn)品，因為從概率的角度這些產(chǎn)品被喜歡的可能性最大，最起碼這些商品被討厭的概率會很小。例如，一項在某餐館的研究發(fā)現(xiàn)：研究者在某些餐桌上向顧客展示出最受歡迎的五道菜肴的銷量排名信息，這些菜肴的需求量提高了13%-20%，并且用戶的用餐滿意度也提高了。但是從用戶體驗的角度來說，這種策略不一定是最佳的選擇，因為用戶很可能已經(jīng)知道了這些熱銷流行的產(chǎn)品，所以得到的信息量很少。長此以往，在用戶的心目中對于網(wǎng)絡推薦系統(tǒng)的信任就會有所下降。從另一角度來講，更加多樣化和新奇的產(chǎn)品推薦對網(wǎng)站來說也是有利可圖的。多樣化和新奇的產(chǎn)品不僅可以提高用戶的體驗滿足感，而且對網(wǎng)站而言，低知名度的產(chǎn)品與知名產(chǎn)品相比所帶來的毛利率更高。

遺憾的是，推薦信息的準確性、多樣性和新奇性之間確實存在一定的矛盾。準確的推薦風險最小但用戶體驗性不足（用戶認為這樣的推薦過于大眾化）；多樣化的推薦受眾最廣但準確性欠缺（推薦信息缺乏針對性）；新奇的推薦最令人驚喜但面臨較大的風險（推薦一個沒人用過或者評價較低的產(chǎn)品，可能引起用戶的警惕甚至反感）。如何權衡三者之間的矛盾成為推薦系統(tǒng)亟待解決的一個重要問題。

一個可能的解決方向在于用戶行為的深度挖掘。一般而言，隨著購物經(jīng)驗的積累，用戶對于推薦信息中的多樣化需求越來越高，并希望看到更多的“意外之喜”。所以，新用戶傾向于選擇熱門的商品，而老用戶對小眾商品關注更多；新用戶所選擇的商品相似度更高，老用戶所選擇的商品多樣性更強。例如，針對新老客戶不同的行為模式，推薦系統(tǒng)可以提供類似于滑動按鈕來調(diào)節(jié)“準確性—多樣性”之間的平衡——用戶想看熱門時，算法提供熱門推薦；用戶想找點很酷的產(chǎn)品時，算法提供更多樣化的推薦。

挑戰(zhàn)3 社會化媒體與網(wǎng)絡推薦系統(tǒng)

在當前技術條件下，企業(yè)能夠記錄、收集用戶在各個領域（如文化消費、娛樂消費、電子消費品、耐用品等）、各個渠道（如網(wǎng)上商城、移動終端等）、各個購買階段（產(chǎn)品知曉、品牌比較、產(chǎn)品購買、購后評價、社會互動等）的感知、行為數(shù)據(jù)并將這些數(shù)據(jù)進行整合，從而使得企業(yè)對市場的理解和對用戶的需求洞察更加實時化、精準化。但這僅僅是個性化網(wǎng)絡推薦系統(tǒng)的開始。很多年前，研究者就發(fā)現(xiàn)，用戶更加相信朋友的推薦而不是商業(yè)化的“推薦信息”。社會影響要比用戶的歷史行為的相似性更加重要，通過社會網(wǎng)絡分析可以更加準確地預測用戶的需求和購買行為。

社會化媒體的興起為網(wǎng)絡推薦系統(tǒng)提供了新的機會——社會化推薦。如果用戶的歷史交易數(shù)據(jù)能夠與一些社會化媒體數(shù)據(jù)（如Facebook、Twitter、微博、微信等）結合起來，那么企業(yè)將打通用戶生活方式與消費行為之間的橋梁，構建出用戶全面細致的生活方式圖譜。我們可以通過了解用戶全面的興趣圖譜預測其需求偏好，可以通過了解用戶的購物經(jīng)歷從而判斷其決策偏好，可以通過了解用戶的社會網(wǎng)絡理解其社會化需求。通過這些數(shù)據(jù)的結合，我們可以跟蹤并迅速應對用戶偏好的變化，能夠準確預測出用戶的潛在需求，能夠運用社會化網(wǎng)絡的智慧為用戶提供個性化解決方案，甚至在用戶自己都不知道或者不能清楚表達出某個需求時，準確地為用戶設計、推薦、提供與其“情投意合”的產(chǎn)品和服務。

王毅：中央財經(jīng)大學商學院副教授