在過(guò)去的近二十年里，Amazon.com 為每個(gè)客戶(hù)構(gòu)建了一個(gè)定制化的網(wǎng)上商店。當(dāng)每個(gè)用戶(hù)瀏覽 Amazon.com 網(wǎng)站時(shí)，仿佛走進(jìn)了一個(gè)為自己量身打造的商店，那些自己感興趣的商品會(huì)被自動(dòng)移動(dòng)到前面，而不太感興趣的商品則被移動(dòng)到遠(yuǎn)處。Amazon.com 的推薦系統(tǒng)根據(jù)你當(dāng)前的情況以及瀏覽、購(gòu)買(mǎi)等歷史，從上億個(gè)項(xiàng)目中選出你可能會(huì)喜歡的少量商品。
Amazon.com 在 1998 年推出了基于項(xiàng)目的協(xié)同過(guò)濾算法（item-based collaborative filtering），使推薦系統(tǒng)能夠基于上百萬(wàn)的商品目錄為數(shù)百萬(wàn)用戶(hù)提供推薦服務(wù)。2003 年，Greg Linden、Brent Smith 和 Jeremy York 將該算法發(fā)表在“IEEE Internet Computing”雜志上，論文名稱(chēng)為“Amazon.com Recommendations: Item-to-Item Collaborative Filtering”。隨后，該算法在網(wǎng)絡(luò)上被廣泛地使用在不同的產(chǎn)品中，包括 Youtube、Netflix 和很多其他產(chǎn)品。該算法的成功在于：簡(jiǎn)單、可擴(kuò)展、能提供讓人驚奇且有用的推薦、能根據(jù)用戶(hù)的新信息快速地更新推薦結(jié)果以及能夠以易于理解的方式解釋推薦內(nèi)容。
在過(guò)去的十多年中，該算法面臨了很多挑戰(zhàn)，也得到了很多改進(jìn)。這里，該算法的其中兩名原作者 Brent Smith 和 Greg Linden 將描述其中的一些更新、改進(jìn)和修改，并對(duì)協(xié)同過(guò)濾、推薦系統(tǒng)和個(gè)性化的未來(lái)進(jìn)行展望。
算法
在 20 世紀(jì) 90 年代中期，協(xié)同過(guò)濾通常是基于用戶(hù)的，也就是說(shuō)算法的第一步是搜索其他用戶(hù)以查找具有類(lèi)似興趣（例如類(lèi)似的購(gòu)買(mǎi)模式）的人，然后查看那些類(lèi)似用戶(hù)已經(jīng)發(fā)現(xiàn)而你尚未發(fā)現(xiàn)的項(xiàng)目。基于項(xiàng)目的協(xié)同過(guò)濾算法與此相反，它首先對(duì)目錄中的每個(gè)項(xiàng)目尋找相關(guān)項(xiàng)目。“相關(guān)”可以有好幾種含義，但是在這里，我們把它定義為“購(gòu)買(mǎi)一個(gè)物品的人非常有可能購(gòu)買(mǎi)另一個(gè)物品”。所以，對(duì)于每個(gè)物品，相關(guān)物品是那些購(gòu)買(mǎi)了的人頻繁購(gòu)買(mǎi)的項(xiàng)目。
一旦建立了這個(gè)相關(guān)項(xiàng)目表，我們就可以通過(guò)一系列的查詢(xún)快速生成推薦。根據(jù)客戶(hù)當(dāng)前的瀏覽記錄和以往的興趣，對(duì)每一個(gè)項(xiàng)目，查詢(xún)它的相關(guān)項(xiàng)目中那些未曾瀏覽過(guò)或購(gòu)買(mǎi)過(guò)的項(xiàng)目作為最終的推薦列表。
與舊的基于用戶(hù)的協(xié)同過(guò)濾相比，該算法有很多優(yōu)點(diǎn)。最重要的是，大部分計(jì)算（如批量構(gòu)建相關(guān)項(xiàng)目）是離線(xiàn)完成的，而通過(guò)查詢(xún)而生成的推薦可以實(shí)時(shí)完成。這些推薦是高質(zhì)量和有用的，特別是在給定足夠數(shù)據(jù)的情況下，并且即使與過(guò)去二十年中出現(xiàn)的較新算法相比，它仍然在感知質(zhì)量方面保持著競(jìng)爭(zhēng)力。該算法可以擴(kuò)展到數(shù)億用戶(hù)和數(shù)千萬(wàn)個(gè)項(xiàng)目，而無(wú)需采樣或采用其他會(huì)降低推薦質(zhì)量的技術(shù)。當(dāng)個(gè)人興趣有了新的信息時(shí)，該算法能立即更新。而且，它可以很直觀(guān)地解釋這些推薦結(jié)果，因?yàn)檫@是由客戶(hù)所記住購(gòu)買(mǎi)的項(xiàng)目列表引起的。
2003 年：Amazon.com、Netflix、Youtube 等公司
在 2003 年，當(dāng)我們將該算法發(fā)表于 IEEE 時(shí)，基于項(xiàng)目的協(xié)同過(guò)濾已經(jīng)廣泛地部署在 Amazon.com 上。主頁(yè)根據(jù)用戶(hù)以前的購(gòu)買(mǎi)記錄和在商店瀏覽的商品，突出顯示推薦結(jié)果。搜索結(jié)果頁(yè)面推薦與用戶(hù)搜索相關(guān)的項(xiàng)目。購(gòu)物車(chē)推薦其他可添加到用戶(hù)購(gòu)物車(chē)的項(xiàng)目，也許用戶(hù)在最后時(shí)刻會(huì)沖動(dòng)地購(gòu)買(mǎi)，也可能補(bǔ)充用戶(hù)已經(jīng)考慮過(guò)的商品。在訂單結(jié)束時(shí)會(huì)出現(xiàn)更多的推薦，提示稍后可購(gòu)買(mǎi)的商品。使用電子郵件、瀏覽頁(yè)面、產(chǎn)品詳細(xì)信息頁(yè)面等許多頁(yè)面上，Amazon.com 都會(huì)提供一些推薦內(nèi)容，讓用戶(hù)開(kāi)始接觸商店。
還有不少公司也使用了該算法。2010 年，YouTube 報(bào)道使用它來(lái)推薦視頻。許多開(kāi)源代碼和第三方供應(yīng)商都包含了這個(gè)算法，它在網(wǎng)絡(luò)零售、旅游、新聞、廣告等方面都廣泛出現(xiàn)。在以后的幾年中，這些推薦結(jié)果被 Amazon.com 廣泛使用，微軟研究報(bào)告曾估計(jì) Amazon.com 有 30％的網(wǎng)頁(yè)瀏覽量來(lái)自于推薦。同樣地，Netflix 也廣泛應(yīng)用推薦系統(tǒng)，他們的首席產(chǎn)品官 Neil Hunt 表示，Netflix 有 80％以上的電影觀(guān)看都是通過(guò)推薦生成的，而且 Netflix 推薦系統(tǒng)每年產(chǎn)生的價(jià)值超過(guò) 10 億美元。
當(dāng)我們最初開(kāi)發(fā)基于項(xiàng)目的協(xié)同過(guò)濾時(shí)，Amazon.com 主要是一個(gè)書(shū)店。此后，亞馬遜的銷(xiāo)售額已經(jīng)增長(zhǎng)了一百多倍，并擴(kuò)張為以非媒介物品為主導(dǎo)，覆蓋筆記本電腦到女性衣服等各種商品。這種增長(zhǎng)挑戰(zhàn)了我們?cè)妓惴ㄖ械脑S多假設(shè)，需要適應(yīng)新的和不斷變化的環(huán)境。基于過(guò)去的經(jīng)驗(yàn)，我們還找到了改進(jìn)算法的方法，為許多新應(yīng)用程序提供更相關(guān)的推薦。
定義“相關(guān)”項(xiàng)目
推薦結(jié)果的質(zhì)量在很大程度上取決于對(duì)“相關(guān)”這一術(shù)語(yǔ)的定義。例如，假設(shè)用戶(hù)已經(jīng)購(gòu)買(mǎi)了 X，如何定義該用戶(hù)也“非常可能”購(gòu)買(mǎi)項(xiàng)目 Y？當(dāng)我們觀(guān)察到客戶(hù)購(gòu)買(mǎi)了 X 和 Y 時(shí)，我們可能會(huì)想知道如果這兩個(gè)項(xiàng)目是無(wú)關(guān)的，有多少購(gòu)買(mǎi)了 X 的買(mǎi)家會(huì)隨機(jī)購(gòu)買(mǎi) Y。推薦系統(tǒng)最終是統(tǒng)計(jì)學(xué)的應(yīng)用。人的行為是帶噪聲的，而挑戰(zhàn)就在于如何從隨機(jī)性中發(fā)現(xiàn)有用的模式。
一種估計(jì)既購(gòu)買(mǎi) X 又購(gòu)買(mǎi) Y 的客戶(hù)數(shù)量 Nxy 的自然方式是，假設(shè) X 買(mǎi)家與一般人有著相同的購(gòu)買(mǎi) Y 的概率，P(Y)=|Y 買(mǎi)家|/|所有買(mǎi)家|，并用|X 買(mǎi)家|*P(Y) 作為我們對(duì)購(gòu)買(mǎi)了 X 和 Y 的客戶(hù)數(shù)量的期望值 Exy 的估計(jì)。我們發(fā)表于 2003 年的文章以及 2003 年以前的大部分工作，都使用了類(lèi)似的計(jì)算。
然而，對(duì)于幾乎任意兩個(gè)項(xiàng)目 X 和 Y，購(gòu)買(mǎi) X 的客戶(hù)都比一般人更有可能購(gòu)買(mǎi) Y。想像一個(gè)大手筆的買(mǎi)家購(gòu)買(mǎi)了目錄中的所有物品。 當(dāng)我們尋找所有購(gòu)買(mǎi) X 的客戶(hù)時(shí)，該客戶(hù)一定會(huì)被選中。同樣地，購(gòu)買(mǎi)過(guò) 1,000 次的客戶(hù)被選中的概率是購(gòu)買(mǎi)過(guò) 20 次的客戶(hù)的 50 倍；抽樣隨機(jī)購(gòu)買(mǎi)不能給出選擇客戶(hù)的統(tǒng)一概率。所以我們得到一個(gè)有偏見(jiàn)的樣本。對(duì)于任何項(xiàng)目 X，購(gòu)買(mǎi) X 的客戶(hù)將可能比一般人多買(mǎi)其他項(xiàng)目。
這種非統(tǒng)一分布的客戶(hù)購(gòu)買(mǎi)歷史分布意味著，當(dāng)我們?cè)噲D估計(jì)我們預(yù)期有多少 X 買(mǎi)家會(huì)隨機(jī)購(gòu)買(mǎi) Y 時(shí)，我們不能忽略誰(shuí)購(gòu)買(mǎi)了 X。我們發(fā)現(xiàn)，建模中認(rèn)為客戶(hù)有很多機(jī)會(huì)購(gòu)買(mǎi) Y 是很有用的。例如，對(duì)于購(gòu)買(mǎi)過(guò) 20 次的客戶(hù)，我們認(rèn)為這 20 次中的每一次都有獨(dú)立購(gòu)買(mǎi) Y 的機(jī)會(huì)。
這里我們用更正式的語(yǔ)言來(lái)描述。對(duì)于購(gòu)買(mǎi) X 的給定客戶(hù) c（由 c∈X 表示），我們可以估計(jì) c 購(gòu)買(mǎi) Y 的概率為
其中|c|表示 c 購(gòu)買(mǎi)的非 X 物品的數(shù)量，Py=|Y 購(gòu)買(mǎi)|/|所有購(gòu)買(mǎi)| 或隨機(jī)選擇時(shí)購(gòu)買(mǎi) Y 商品的概率。然后，我們可以通過(guò)對(duì)所有 X 買(mǎi)家進(jìn)行求和并使用二項(xiàng)式擴(kuò)展來(lái)計(jì)算 X 買(mǎi)家中 Y 買(mǎi)家的預(yù)期數(shù)量（見(jiàn)圖 1）。
圖 1. 預(yù)期購(gòu)買(mǎi) X 和 Y 項(xiàng)目的客戶(hù)數(shù)量的推算，包含每個(gè) X 買(mǎi)家購(gòu)買(mǎi) Y 的可能性
我們還可以考慮其他一些選擇和參數(shù)，用于相關(guān)性分?jǐn)?shù)和從相關(guān)項(xiàng)目中創(chuàng)建推薦。我們的經(jīng)驗(yàn)是，沒(méi)有一個(gè)分?jǐn)?shù)能在所有設(shè)置中都得到最好的成績(jī)。最終，推薦結(jié)果好壞基于用戶(hù)所感知的質(zhì)量；用戶(hù)認(rèn)為有用的推薦才是真的有用。
機(jī)器學(xué)習(xí)和受控的在線(xiàn)實(shí)驗(yàn)可以了解客戶(hù)的實(shí)際偏好，挑選最佳的參數(shù)以便具體使用推薦。我們不僅可以衡量哪些推薦是有效的，而且還可以提供關(guān)于人們所喜歡、點(diǎn)擊和回饋到我們的算法中的那些推薦的信息，了解哪些幫助對(duì)客戶(hù)最有效。
例如，兼容性很重要。我們可能會(huì)觀(guān)察到，購(gòu)買(mǎi)某一款數(shù)碼相機(jī)的客戶(hù)很有可能購(gòu)買(mǎi)某種存儲(chǔ)卡，但這并不能保證這種存儲(chǔ)卡與該款相機(jī)兼容。客戶(hù)購(gòu)買(mǎi)存儲(chǔ)卡的原因很多，而觀(guān)察到的相關(guān)性可能是隨機(jī)的。事實(shí)上，Amazon.com 的目錄中有成千上萬(wàn)的存儲(chǔ)卡，其中許多是與相機(jī)隨機(jī)相關(guān)的。許多電子商務(wù)網(wǎng)站手工構(gòu)建兼容性知識(shí)庫(kù)，維護(hù)起來(lái)很昂貴且容易出錯(cuò)，像 Amazon.com 這種規(guī)模的大型網(wǎng)站情況尤甚。我們發(fā)現(xiàn)，給定足夠的數(shù)據(jù)和關(guān)于項(xiàng)目相關(guān)性的強(qiáng)大指標(biāo)，兼容性可能會(huì)從人們的行為中體現(xiàn)出來(lái)。
奇怪的是，我們發(fā)現(xiàn)相關(guān)項(xiàng)目的含義也可能與時(shí)間關(guān)系密切，它會(huì)從數(shù)據(jù)中產(chǎn)生并被客戶(hù)自己發(fā)現(xiàn)。譬如，考慮人們?yōu)g覽的物品與他們購(gòu)買(mǎi)的物品。對(duì)于書(shū)籍、音樂(lè)和其他低成本物品，人們傾向于查看和購(gòu)買(mǎi)相同的東西。而對(duì)于許多昂貴的物品，特別是非媒體物品，人們?yōu)g覽的物品與實(shí)際購(gòu)買(mǎi)的物品可能完全不同。例如，人們往往會(huì)瀏覽許多電視機(jī)，但只購(gòu)買(mǎi)一臺(tái)電視機(jī)。他們?cè)跒g覽電視的時(shí)候看的東西往往是其他的電視機(jī)。而他們?cè)谫?gòu)買(mǎi)電視那段時(shí)間購(gòu)買(mǎi)的東西往往是購(gòu)買(mǎi)特定電視機(jī)后的用戶(hù)體驗(yàn)的補(bǔ)充（如藍(lán)光播放器和壁掛安裝套件）。
時(shí)間的重要性
了解時(shí)間的作用對(duì)于提高推薦的質(zhì)量很重要。例如，當(dāng)計(jì)算相關(guān)項(xiàng)目表時(shí)，某一次購(gòu)買(mǎi)與另一次購(gòu)買(mǎi)的相關(guān)性在很大程度上取決于它們?cè)跁r(shí)間上的接近程度。如果客戶(hù)購(gòu)買(mǎi)一本書(shū)、五個(gè)月之后購(gòu)買(mǎi)了另一本書(shū)，那么，與客戶(hù)在同一天購(gòu)買(mǎi)了另一本書(shū)相比，前者的相關(guān)性更弱一些。時(shí)間方向性也可以有所幫助。例如，客戶(hù)傾向于在購(gòu)買(mǎi)相機(jī)之后再購(gòu)買(mǎi)存儲(chǔ)卡，而不是相反。這可能是一個(gè)很好的提示，當(dāng)有人購(gòu)買(mǎi)存儲(chǔ)卡時(shí)，我們不應(yīng)該推薦相機(jī)。有時(shí)，人們購(gòu)買(mǎi)物品是有順序的，例如書(shū)籍、電影或電視劇，推薦商品應(yīng)該基于人們下一步要做的事情。
Amazon.com 的目錄在不斷變化。 每天，成千上萬(wàn)的新物品到達(dá)，許多其他的物品逐漸過(guò)時(shí)。這個(gè)周期在某些類(lèi)別中尤其明顯。 例如，服裝有季節(jié)性潮流，消費(fèi)電子技術(shù)創(chuàng)新迅速。新項(xiàng)目可能處于劣勢(shì)，因?yàn)樗鼈冞€沒(méi)有足夠的數(shù)據(jù)與其他項(xiàng)目產(chǎn)生很強(qiáng)的相關(guān)性。這被稱(chēng)為冷啟動(dòng)問(wèn)題，并且通常需要一個(gè)探索或利用過(guò)程來(lái)給尚未有很多展示機(jī)會(huì)的物品獲得展示的機(jī)會(huì)。諸如新聞或社交媒體帖子等是冷啟動(dòng)問(wèn)題種特別具有挑戰(zhàn)性的一部分，通常需要把基于內(nèi)容的算法（使用主題、話(huà)題和文本）生成的數(shù)據(jù)與基于行為的算法（使用購(gòu)買(mǎi)、視圖或評(píng)級(jí)）生成的數(shù)據(jù)相混合。
客戶(hù)也有生命周期，并存在自己的冷啟動(dòng)問(wèn)題。長(zhǎng)期以來(lái)，當(dāng)我們對(duì)新客戶(hù)的興趣了解甚少時(shí)，向客戶(hù)推薦什么一直是一個(gè)問(wèn)題。什么時(shí)候利用有限的信息、什么時(shí)候通過(guò)常見(jiàn)的項(xiàng)目作出穩(wěn)妥的推薦，的確是一個(gè)很難得到正確答案的微妙的問(wèn)題。
即使對(duì)于成熟的客戶(hù)，在正確的時(shí)間進(jìn)行建模對(duì)推薦的質(zhì)量也有很大的影響。隨著年齡的增長(zhǎng)，以前的購(gòu)買(mǎi)與客戶(hù)當(dāng)前的興趣可能不太相關(guān)。例如，有些采購(gòu)（如帆船航海手冊(cè)）可能表明持久的長(zhǎng)期興趣。其他購(gòu)買(mǎi)（如洗碗機(jī)修理工具）可能與以后的項(xiàng)目無(wú)關(guān)。有一些購(gòu)買(mǎi)，如嬰兒搖鈴，推薦結(jié)果經(jīng)過(guò)一段很長(zhǎng)的時(shí)間后需要做出改變：四年后，我們應(yīng)該推薦平衡自行車(chē)和書(shū)籍，而不是嬰兒奶瓶和牙膠。有些物品，如書(shū)籍，通常只買(mǎi)一次。其他物品，如牙膏，會(huì)一次又一次地被購(gòu)買(mǎi)，而且購(gòu)買(mǎi)之間的時(shí)間間隔是可以預(yù)測(cè)的。
推薦的質(zhì)量不僅取決于過(guò)去購(gòu)買(mǎi)的時(shí)間，而且取決于購(gòu)買(mǎi)的東西。我們發(fā)現(xiàn)單次購(gòu)買(mǎi)書(shū)籍可以顯示客戶(hù)的很多興趣信息，讓我們可以推薦幾十個(gè)高度相關(guān)的項(xiàng)目。但是，非媒體類(lèi)別的許多購(gòu)買(mǎi)行為能夠體現(xiàn)的客戶(hù)信息卻甚少。譬如，從購(gòu)買(mǎi)訂書(shū)機(jī)可以獲得哪些見(jiàn)解？買(mǎi)一雙襪子可以做出什么令人驚奇和有見(jiàn)地的建議？推薦膠帶分配器或更多的內(nèi)衣在當(dāng)下可能是有幫助的，但長(zhǎng)期來(lái)看卻沒(méi)有太多幫助。因此，我們必須開(kāi)發(fā)新技術(shù)來(lái)學(xué)習(xí)哪些購(gòu)買(mǎi)行為能帶來(lái)有用的建議，以及何時(shí)應(yīng)該忽略某些建議。
最后，多樣性推薦的重要性是眾所周知的。有時(shí)最好給出許多相關(guān)的項(xiàng)目，而不是一個(gè)種類(lèi)很少的列表。 Amazon.com 有著數(shù)量龐大且種類(lèi)豐富的產(chǎn)品目錄，在書(shū)店等單一產(chǎn)品類(lèi)別商店中都沒(méi)有遇到過(guò)這種挑戰(zhàn)。 例如，向閱讀量大的讀者推薦更多的書(shū)籍可能會(huì)提高銷(xiāo)售額，但是人們可能通過(guò)在另一個(gè)產(chǎn)品系列中發(fā)現(xiàn)他們以前從未考慮過(guò)的項(xiàng)目來(lái)長(zhǎng)期受益。即時(shí)意圖（immediate intent）也是多樣性的一個(gè)因素。當(dāng)有人明確尋找特定商品時(shí)，推薦應(yīng)該縮小范圍以幫助他們快速找到需要的東西。但是，當(dāng)意圖不明確或不確定時(shí)，目標(biāo)應(yīng)該在于發(fā)現(xiàn)有價(jià)值的項(xiàng)目。在多樣性的推薦中找到適當(dāng)?shù)钠胶猓枰獙?shí)驗(yàn)和長(zhǎng)期優(yōu)化。
未來(lái)：推薦無(wú)處不在
推薦的未來(lái)會(huì)怎么樣？我們相信未來(lái)將會(huì)有比過(guò)去更多的機(jī)會(huì)等著我們。我們可以想象智能互動(dòng)服務(wù)，到那時(shí)購(gòu)物就像對(duì)話(huà)一樣容易
未來(lái)推薦系統(tǒng)將不再局限于鍵入搜索關(guān)鍵字和瀏覽網(wǎng)站。推薦系統(tǒng)應(yīng)該就像與你的朋友交談一樣，它認(rèn)識(shí)你、知道你的喜好、在選擇的每一步都能給你提供意見(jiàn)并且能對(duì)你的需求做出預(yù)測(cè)。
這是我們對(duì)于智慧無(wú)處不在的愿景。 每一次互動(dòng)都應(yīng)該反映出你是誰(shuí)、你喜歡什么，并幫助你找到其他與你喜好類(lèi)似的人已經(jīng)發(fā)現(xiàn)的東西。當(dāng)你看到一些明顯不是你感興趣的東西時(shí)，應(yīng)該感到空虛和可悲；難道你現(xiàn)在不認(rèn)識(shí)了我嗎？
我們需要采用一種新的思維方式來(lái)考慮推薦才能做到這一點(diǎn)。未來(lái)不應(yīng)該有推薦功能和推薦引擎。相反，理解你、理解其他人和可用性應(yīng)該成為每次互動(dòng)的一部分。
推薦和個(gè)性化存在于遍布全球的數(shù)據(jù)海洋中，包括我們找到的內(nèi)容、我們發(fā)現(xiàn)的內(nèi)容以及我們喜愛(ài)的內(nèi)容。我們相信未來(lái)的推薦將進(jìn)一步建立在利用人類(lèi)集體智慧的智能計(jì)算機(jī)算法上。未來(lái)將繼續(xù)由計(jì)算機(jī)來(lái)協(xié)助人們?nèi)椭渌恕?/p>
結(jié)束語(yǔ)
近二十年前，Amazon.com 向數(shù)以百萬(wàn)計(jì)的客戶(hù)推出了數(shù)百萬(wàn)項(xiàng)目的推薦，幫助人們發(fā)現(xiàn)自己可能找不到的內(nèi)容。從那時(shí)起，最初的算法已經(jīng)擴(kuò)展到大部分的網(wǎng)絡(luò)應(yīng)用，被用來(lái)幫助人們尋找想看的視頻或感興趣的新聞，受到其他算法和技術(shù)的挑戰(zhàn)，同時(shí)在提高多樣性、發(fā)現(xiàn)度、新舊程度、時(shí)間敏感或序列項(xiàng)目以及許多其他問(wèn)題上都得到了改進(jìn)。由于其簡(jiǎn)單性、可擴(kuò)展性、可解釋性、適應(yīng)性和相對(duì)高質(zhì)量的建議，基于項(xiàng)目的協(xié)同過(guò)濾仍然是當(dāng)今最流行的推薦算法之一。
然而，推薦系統(tǒng)仍然是一個(gè)開(kāi)放領(lǐng)域。使每個(gè)客戶(hù)都擁有個(gè)性化體驗(yàn)的愿景并沒(méi)有完全實(shí)現(xiàn)。仍然有很多的機(jī)會(huì)和可能性來(lái)為每個(gè)推薦系統(tǒng)的每一個(gè)部分添加智能和個(gè)性化，使推薦系統(tǒng)體驗(yàn)起來(lái)真的像一個(gè)認(rèn)識(shí)你、知道你的喜好、了解其他人喜好并清楚可以給你提供什么選擇的朋友。推薦就是發(fā)現(xiàn)，通過(guò)發(fā)現(xiàn)新事物給你帶來(lái)驚喜和喜悅。每一次互動(dòng)都應(yīng)該是一次推薦。
關(guān)于論文作者
Brent Smith 在 Amazon.com 進(jìn)行了 17 年的個(gè)性化和推薦工作，領(lǐng)導(dǎo)團(tuán)隊(duì)致力于快節(jié)奏的面向客戶(hù)的創(chuàng)新。Smith 擁有加利福尼亞大學(xué)圣地亞哥分校數(shù)學(xué)學(xué)士學(xué)位和華盛頓大學(xué)數(shù)學(xué)碩士學(xué)位。
Greg Linden 是 Microsoft 的數(shù)據(jù)科學(xué)家（以前曾在 Amazon.com、Google 和幾家創(chuàng)業(yè)公司工作過(guò)）。他以前的工作領(lǐng)域主要是推薦、個(gè)性化、人工智能、搜索和廣告。Linden 擁有華盛頓大學(xué)的計(jì)算機(jī)科學(xué)碩士學(xué)位和斯坦福大學(xué)的工商管理碩士學(xué)位。
查看英文原文：Two Decades of Recommender Systems at Amazon.com
京公網(wǎng)安備 11010502049343號(hào)