推薦究竟是不是下一個爆發點？

01-16

隨著互聯網信息的爆炸式增長，人們發現自己處理相關信息的能力越來越有限，於是推薦引擎的呼聲越來越高，人們希望機器能替他們做信息過濾和篩選，你是怎麼看待推薦的呢？

首先，咱們界定一下概念，這裡的「推薦」，應該不單純指的是大家所熟知的「購買了X的還購買了Y」這種狹義的形式，而應該是常說的「搜索」與「發現」中的後者，「推薦」的目標是讓用戶的互聯網體驗更加個性化，幫助用戶輕鬆「發現」他感興趣的信息，或者說「讓信息找到你」。

那麼，推薦能不能成為爆發點，這個問題我個人這麼看。兩點：1、這件事情是不是被廣泛地接受及認可？2、是不是有越來越多的人投入到這件事情？

對於第1點，我相信答案是毋庸置疑的，推薦引擎或者推薦模塊，已經逐漸成為了面向消費者的互聯網應用的標配。推薦目前的狀況，我覺得和搜索早期很像：1）功能的價值逐漸讓用戶覺得不可或缺（具備了爆發的潛質）；2）多數從業人員對其還比較輕視（不認為其有獨立存在的價值）。這裡面就很可能有機會了。

對於第2點，我認為非常關鍵，需要有足夠多人做出足夠多的探索。變革最終是由精英推動的，搜索大潮由斯坦福的兩位天才掀起，應用市場的模式由喬布斯教主引領。但是，不能否認的一點，這是一個「量變到質變」的過程，Google 登頂能稱得上是一將功成萬古枯了，應用市場模式的產生也跟長久以來大家對於 Windows 軟體管理模式的不滿有直接關係。目前對於推薦，一個普遍的疑問就是，「它能否成為一個獨立的產品，還是僅能作為一項功能存在」？這個問題，分析家們的答案一文不值，要靠在這個領域內深耕的一線人員去探索。目前整體來看，無論國外還是國內，這個領域的創業公司在增多，但總體數量還不夠，尚待進一步觀察。

另外我非常想說一件事，推薦領域討論演算法比較多，不代表不重視產品。產品與技術從來不是割裂的，絕對意義上講也不應該存在哪個更重要的比較，靈活分析「在某個時期」應該側重於哪部分更合適。不過有一點是真的，推薦深入做下去是具備技術門檻的。

所謂爆發，一定得和大勢對上節拍。綜上來看，推薦這件事情，量方面在積累，專註於這個方向的人才在增多，具備技術門檻和成長空間，因此，我個人認為這個方向大有所為。

推薦無處不在。超市中靠近收款台的陳列架，就是一種推薦；亞馬遜購買此書的用戶還買了XX，也是一種推薦；豆瓣猜，是一種推薦；玩聚網的Social Rank、銳推榜，也是一種推薦；Pandora的音樂指紋和iLike的社區推薦，都是一種推薦。

推薦本身恐怕很難成為一個爆發點，但推薦引擎一定會跟不同的業務形態、不同的應用場景、不同的用戶需求密切關聯，產生大幅增值。推薦演算法在未來會變得越來越重要，越來越無處不在。

之前就有牛人說過，推薦的UI佔在好的推薦系統中的作用佔50%，演算法佔5%。當然你一切都做的盡善盡美時，只差5%沒做的時候，就該做演算法了。只是國內公司大部分還沒有完成那50%。所以演算法可以暫時不考慮。但個人覺得，UI其實也是演算法的部分，有些很酷的UI背後必定需要酷的演算法。並且好的UI也不是拍腦袋能想到的。

個人理解: 推薦是個性化的搜索。推薦的一個難點是如何獲得用戶的個性偏好。用戶的個性偏好又分為兩種：顯性偏好（用戶明白自己想要什麼，並能通過UI輸入給系統）和隱性偏好（用戶自己都不知道自己想要什麼，只有在系統給用戶展示了一些推薦結果後，用戶才能評價說我喜歡這個，我不喜歡那個，等）。如何獲得用戶的個性偏好呢？可以通過UI設計（比如設計方便使用的用戶界面能輕鬆引導用戶輸入她的信息），或者通過演算法（比如分析用戶的使用習慣並從中找到規律）。這兩者同等重要。能同時注重演算法和UI設計的系統應該是最理想的。

推薦還有一個更難的問題是用戶的個性偏好可能會發生變化。比如某個用戶可能在一段時間內很喜歡吃某種菜，但是過一段時間以後吃膩了，想換口味了，系統該如何及時捕捉這種變化並自動調整推薦內容？

總體上講推薦系統目前還處在研究階段，上述的這些問題目前還沒有很好的解決辦法。其領域除了與信息學相關外，還涉及到心理學的研究知識。感興趣的朋友可以關注一下國外的ACM推薦系統國際會議：http://www.recsys.acm.org/2011/index.shtml

1 個人覺得不要再喊概念了，踏踏實實地做事賺錢是王道；

2 好比雲計算，人家都默默地開始賺錢了，很多公司還在那裡喊啊喊啊，爭論啊吵啊；

3 推薦技術本身可以說都趨向成熟了，現有的很多線上產品在使用，帶來明顯的效益或提升；要做大做強或者專門提供推薦服務的，則趕緊構思產品行動即可，不要再考慮它爆發不爆發，我覺得投資人不會因為你是搞推薦的就投你或不投你。

我看到一些創業者，為了推薦而推薦，認為牛掰的演算法能夠更精準、有效的從一個內容把用戶引向另一個內容，而這將是一個巨大的市場。

我的感覺並非如此。我覺得推薦一定要跟具體問題結合，而且要顯著提升一個挫折的體驗。

在我看來，最好的推薦是攜程、Groupon 、大眾點評這樣的，它們沒有什麼高科技，但他們顯著的提升了普通消費者的決策效率，也幫商家賺了更多的錢。兩端打通，這就夠了。

更好的演算法讓我看更多的書、更多的電影、更多的文章？拜託，我一天只有 24 小時，而且不會因為任何演算法改善增加一秒鐘。

http://www.resyschina.com/2011/01/web-trend-and-recsys-1.html互聯網趨勢與推薦系統的機會（1） http://www.resyschina.com/2011/01/web-trend-and-recsys-2.html互聯網趨勢與推薦系統的機會（2）

這兩篇文章應該是這個問題的一個非常好的解答。

好，我來打廣告 -

當機器比我們更了解我們，機器比我們更了解這個世界

--http://www.douban.com/note/145805461/

我們需要的接入帶寬並不是無止境的，因為人類能處理的信息速率事實上是一個相對非常小的數字，無論怎樣使用感官我們可以有效感知的數據流也不超過1Mbps。這樣問題就不在於通訊，也不在於存儲（MS

1T），那麼怎樣?

也許會改變用戶習慣，存儲與下載不再流行已經是過去的笑話。也許會改變版權的形態，Creative Commons說不定會更加流行。更多的也許是改變整個文化創造行業的形態。簡單的例子就是再不會有雙白金唱片騙錢了，相反豆瓣有將近10 000音樂人小站.. .到底聽哪一個呢? 剛爬上來的新手誰也不知道，所以事實上最重要的是推薦系統，甚至說應該是個Agent。

昨日的Agent經紀人幫助藝人聯繫演出，定製唱片，簽訂廣告。今天的推薦系統幫助瀏覽者尋找一切他所需要的東西——哪怕不是東西。從希望聽到的音樂/影視/閱讀到要買的吹風機/葡萄酒/眼影與粉底。明天，這個清單上還會有你的朋友/適合就讀的學校/下一份工作/甚至是你墳墓四周的友鄰。lol最後一個純屬玩笑。

我們還應該把它稱作推薦系統嗎，也許它是我們在這樣一個時代的Agent。

就像經紀人也許比藝人更了解應該怎麼談合約，我們的Agent將會比我們更了解我們，我們的Agent將會比我們更了解這個世界。

真實世界的經濟學最大的挑戰在於信息不完全不對稱/非均衡博弈，而信息基礎設施將儘力拉平這一鴻溝。僅僅把信息送到你面前是Web 1.0所做的，每個人都可以發布與傳播信息是Web 2.0做的。它們儘力減小信息不對稱不完美，把我們結成一個社會。而我們正在經歷的推薦系統革命幫助我們選擇——這正如艾柯所說這個時代最重要的教育在於教會我們選擇的藝術——也許我們將以此記住Web 3.0。而無論個體如何選擇，在這個時代的海量信息面前他都只能只見樹木不見森林。只有這套系統本身具有超越任何個體經驗的視野。在這樣一個時代，最重要的將不再是Eco關於選擇的藝術，而是How to follow your heart。

而這一切，也許將是共產主義的演算法基礎。

經典的共產主義思想宣稱消除階級按需分配，超驗於所有組織與個人的選擇機制無疑是最重要且決定性的基礎設施。所有的社會主義國家在早期都注重國家對經濟的決定性作用而忽視了市場的自組織力量，這是一種工程師機械決定論的世界觀，本質上是希望通過政府的力量進行全局優化。比如定價與流通，這也正是奧地利學派對計劃經濟攻訐最大的地方。在過去缺乏信息基礎設施的支撐這是必然失敗的，而在下一個時代會有越來越多的改變。計劃最大的問題是誰，如何來制定計劃。交易過程都信息不完整競爭不均衡更不能指望計劃掌握了所有必要的信息。而一個超驗於所有個體的信息基礎設施，正意味著是由所有人建立的社會目標函數。刨除意識形態的成分，共產主義意味著人的解放，「從必然王國走向自由王國「的歷程，如果了解共產主義思想的內核就知道後世社會主義國家的衍生和流變與這並沒有直接的聯繫。

僅僅表面上一個高效的可以作為社會基礎設施的推薦/全局優化系統，也許並不涉及真正的AI。

Who Design the Globe Optimization?

就像這篇文章，代理人體制和這樣一個社會基礎設施的區別恰恰就是分散式優化與全局優化的區別。傳統社會的代理人機制正是第三產業的意義，在自由競爭中盡量減小信息不完全信息不對稱以及非均衡博弈，在博弈中實現目標函數和局部優化。沒有什麼機制可以代替人設定目標，它的有效性在於衡量代理人在跨越信息與競爭鴻溝時帶來的社會總收益。

而信息化的目的就在於盡量提供以上信息完全博弈均衡的介質。可有些東西是計算機與網路無法代替的，比如你沒親自去過一個餐館吃飯永遠也不知道到底會不會真的合你的胃口。這一點Web 2.0有許多盡量優化的辦法比如告訴你各種朋友的評價和推薦，與你相似口味的顧客評分.. .可如果我們是要選舉一個總統.. .我們怎麼知道小布希上台要打仗/奧小黑到底能change what?

無論何時，無論何地，總會有人不滿。

如果寫部政治科幻小說寫點什麼，有張力才會耐看。總要寫得1984美麗新世界那樣驚悚，不能把什麼東西都講得那麼好不是。

也許這篇文章將會說明在這次泡沫後會留下什麼。

再牛B的演算法，也不能避免顧客的瞬時需求變更（比如中途看到一個BANNER促銷啊，或者新的想法啊），達到轉化率的提高。與其是考慮推薦更精準的產品（其實未必能實現），還不如把導航與相關搜索做得更好，讓買家知道自己想要什麼東西的時候，很方便地幾次操作就能實現。

當然，產品的推薦不是不能做，亞馬遜N年前的郵件營銷管理，就是根據你採購的產品類別，以及這個產品的屬性與生命周期，推薦給你相關的升級產品或者相關產品，並輔以活動的形式，來提升轉化率與買家粘連度。這個的核心不是產品運營了，而是商品運營，效果相當的好。

經常看到一個網站在沒有完成好基建工作的時候，就老想著怎麼用演算法來彌補UI的不友好和產品的欠缺。請問你是真的知道顧客想要什麼么？還是從核心點出發「顧客來了知道怎麼找產品，找得到，越來越好找」這個維度來吧。畢竟，大部分客戶，本身也是願意來逛逛的，而不是一個簡單的推薦交互窗口，就完成交易流程了~

我覺得與其在演算法上鑽牛角尖，還不如把商品內容做好，導航分類搞清晰，屬性準確，別抓一堆垃圾數據來填充。用戶比演算法聰明，只要你這裡有好東西，他們自然能找到想要的東西

內容的運營，專業的編輯肯定比演算法靠譜。新浪微博的熱門話題推薦，越來越多是人工設定的話題，以前可是自動生成的熱門關鍵詞更多

作為入門，可以看下《集體智慧編程》、《推薦系統實踐》等。進階可以看下Yahoo! Research的Yehuda Koren的paper。

推薦解決了信息+人的概念，要有SNS基礎

推薦難以脫離其依附的應用場景。

還是先關注行業的推薦吧，明顯不同行業信息客戶對信息的信任程度、接受渠道等都不是一樣的，演算法派真的是有點想把事情搞複雜的意思，投入太長的周期難道就不怕風險嗎？況且人們對信息包括顯性和隱性需求的獲取模式變化忒快，還是簡單點直接點比較好！

推薦只是一種行為，而很難從一個行為衍生成一個點的存在，但是不能否認，這個行為帶動了一個全新的信息體驗模式，而這個爆發點，則是由高質量的信息組成。

推薦應該作為一種交叉學科的產物來看待，不能為了推薦而去推薦，而是在卻是需要推薦而且當前的數據量和關係網路卻是非常適合做推薦的時候，我們才結合具體的場景具體的領域進行推薦計算。普適性的推薦貌似意義不大，而針對特定問題的推薦則用處很廣~！

這辭彙，感覺被炒爛了。這東西都多少年了。到處都是。早就應用的很廣泛了。只不過這幾年「大數據」這個詞的興起，導致了炒這個詞。。。演算法上嗎，基本上很多方向也差不多定型了。這個互聯網公司的噱頭，拿現在過去的一些技術來炒未來。

我比較傾向贊成推薦是必須，但無法成為一個爆發增長點，有些人將推薦看得過於NB，認為亞馬遜啥的推薦就是非常NX的。但誰知道人是最複雜的動物，同一個人在不同的時間喜好就可能不一樣，你推薦啥呢？

推薦從本質的理解就是：猜測你喜好的贈送。既然有猜測成分，那麼就有不準，一旦不準怎麼可能爆發發展？

推薦能否爆發，取決於它能否對用戶體驗起到革命性作用，而這個問題又由三個主要的決定因素：

1、如問題中所描述的，信息增長速度足夠快，使得用戶在搜索時難以通過實時輸入簡單的篩選條件來得到自己想要的結果（是否需要推薦）

2、能否獲取用戶長期的使用習慣（有沒有足夠的信息提供給推薦系統）

3、能否根據大量長期使用習慣來判斷用戶的行為偏好（演算法夠不夠牛）

前兩個因素從目前互聯網來看，都還遠遠沒有具備，因此第三個因素是不是達到現在其實也是沒有什麼評判標準的。

推薦系統在當今互聯網和很長一段時間內，只能作為一種解決搜索難以解決那些長尾問題的解決手段中的一種（其他的解決手段諸如問答網站等等）。

另一方面來講，就推薦本身而言，專家系統方式的推薦本身已經能夠解決大多數問題並且很自然地融入到搜索篩選當中成為高級搜索。通過數據挖掘達到目的的推薦系統似乎又陷入了推薦系統本身的長尾當中，短期來看，恐怕也就只有個別場景比較適用，本身難以爆發。

是否爆發這個不太好說，因為最終還是需要殺手級的產品出現。但是，有一點可以明確，推薦引擎的確被用戶，尤其是中國用戶所接受，從豆瓣電台可以得到很好的佐證。

之所以說爆發不太好說，主要因為兩點：1、用戶其實不在乎你用什麼方法實現的，只要你給他的是他想要的就ok，哪怕你是人工手動推薦的；2、推薦引擎的技術演算法門檻非常高，而且諸如冷啟動之類的問題也是需要難解決的，只有有實力有數據基礎的公司才有可能有所突破。如果做不到普遍適用，爆發也是個未知數！

推薦引擎，有需求的土壤。一定會有很好的發展，貌似zhihu在這個功能上還留在圓點。

必然是人工智慧、機器學習的實際應用