一个成熟的个性化推荐系统，不会让用户变得狭隘，反而会扩宽用户视野。

当你看着网易云音乐的推荐歌单，一样的歌手、一样的类型，是不是有点厌倦？

当你看着今日头条的Feeds流，一样的八卦、一样的娱乐新闻，是不是想卸载app？

你是不是觉得，个性化推荐让你愈发狭隘？

为什么要做个性化推荐系统

讨论个性化推荐是否会让用户变得狭隘，我们不妨先从“为什么要做个性化推荐系统”这个角度进行思考。

从背景出发：人们正逐渐从信息匮乏的时代走入信息过载的时代。这一背景带来了两个问题：信息过载、用户目的性不强，典型场景是：你打开网易云音乐，很多歌曲，你不知道想听什么。

在个性化推荐未出现之前，解决这两个问题采取的方法一是类目管理，二是搜索，三是热门物品展示。

一不适用于物品多的情况，二需要用户准确描述需求，三的弊端是会加剧长尾效应，且命中率低。而个性化推荐系统根据用户历史行为挖掘用户需求，与搜索引擎互补。

因此，做个性化推荐的目的是：在物品数量多的情况下，联系用户与产品，挖掘用户潜在需求，解决长尾问题。

如何考评个性化推荐效果

进而，我们可以从“如何考评个性化推荐效果”这个角度进行思考

以下是综合市面上相关个性化产品，总结而出的相关指标：

• 用户满意度
• 准确度
• 覆盖率（长尾 马太效应 用基尼系数）
• 多样性 、新颖性（是否听说过这个推荐结果）
• 惊喜度（和历史兴趣不同 却满意）
• 信任度（给出推荐理由 给出推荐源于那个好友）
• 实时性（推荐相关产品实时 将新加入的产品推荐）
• 健壮性（即鲁棒性 抗作弊能力 可以通过加大用户行为成本来实现）
• 其他商业目标

不展开细讲，我们着重讨论用户满意度、多样性、惊喜度和准确度

• 用户满意度：这个不用细说
• 准确度：推荐系统最为重要的指标（没有之一），但是准确的预测不一定是好的预测。举个例子：用户早就准备买A书，无论是否系统向他推荐，均会购买。那么对于用户来说，他会觉得这个结果不新颖，没有新鲜感。
• 多样性：用户兴趣广泛，可能喜欢看记录片，也喜欢看新闻联播；多样性描述了推荐列表中物品两两之间的不相似性。
• 新颖性：用户之前没有听说过的产品具有新颖性。

接下来，回想一下，在网易云音乐界面，系统推荐的音乐分为几类

1. “你爱吃肉，那我给你各种肉”
2. “你爱吃肉，我发现你是缺乏肉类富含的脂肪，那我给你推荐富含脂肪的牛油果”。

回到我们的问题，是不是就是因为第一种情况，让你觉得“个性化推荐会让用户变得狭隘”？

其实就是推荐系统在满足准确性的基础上，没有满足多样性与新颖性，进而降低了用户满意度。简而言之，对于潜在需求挖掘不够深。

所以在这里，第一个结论是：不够全面的个性化推荐会让用户变得狭隘

那么，个性化推荐怎么才能让用户信息接触面扩宽，而不是狭隘呢？

我们以常用的协同过滤为例（具体请百度），从相似度矩阵（Similarity Matrix）说起

“你爱吃肉，那我给你各种肉”

这种情况下，我们用筷子往下翻，可能会看到蔬菜。但是用户的视野就那么大，再好的推荐不能忍用户看见也是扯淡。所以我们可以引入惩戒机制，适当降低同类物品权重，降低其排位。

以上是常见的几个狭隘化现象，分别用相关方法加以算法微调，得以解决。

因此，结论是：一个成熟的个性化推荐系统，不会让用户变得狭隘，反而会扩宽用户视野。

本文由 @易建联 原创发布于人人都是产品经理。未经许可，禁止转载。