在传统的推荐算法中，有两个基本算法，也就是所谓的user-based和item-based。其实，前一种算法的观点是认为用户的行为比较受舆论的影响，而后一种认为用户的行为受自己喜好的影响。当然这两者算法都是偏于极端的，现实社会中用户的行为往往受两种的共同影响，而两种影响的大小主要取决于用户和舆论谁更强势。
就比如拿最近的孔子来说，其实本人自从来了北京之后，每个月都会看一部电影，不管好还是烂，反正我个人看电影的习惯就是放松，不管多烂的电影，只要能放松就行了。而且我个人还是比较有主见的，不大受社会太多的影响（当然这也是相比较而言）。但是，有的时候舆论的影响却是潜移默化的，鉴于我的社会圈子里的舆论都认为孔子不怎么样，首先这就降低了我的期望，也就是说我去看孔子也不抱大希望了，但因为我的习惯，我还是觉得去看孔子，也就是说，在我到电影院之前，我的行为还是受我的习惯影响，舆论虽然有影响，但还没有大到改变我决定的地步。
不过当我到了电影院，发现孔子打折票还买50，这时我犹豫了，身在价格和舆论的双重context下，再强的人也不得不改变习惯了，于是经过激烈的思想斗争，我放弃了看孔子，用8元钱去买了个面包（现烤的，味道很不错）吃了一下，算是本周末奢侈了一把。
由此可见，舆论和个性的博弈在我看孔子这件事情上体现的非常的明显，当一个个人还在如此犹豫的时候，去追求推荐的精度还有什么意义了？也许我明天又后悔了，而这个事情推荐系统拿到了我没看孔子的数据，还在沾沾自喜着准备利用这个信息来调整精度。
Related Posts
- 从另一个角度看个人喜好和社会对个人选择的影响 (0.651)
- user-based和item-based算法，谁能产生多样化的结果 (0.349)
- ItemCF的优势 (0.349)
- 关于UserCF和ItemCF的那点事 (0.325)
- my solutions of github contest - item based KNN (0.186)
Comments 4
哈哈，问题是推荐系统怎么拿到你没看孔子的信息呢？拿我自己在豆瓣评电影的经验来说，没看的显然无从评起。自己不喜欢的类型，根本不会去看，也是无从打分。得分低只可能是喜欢的演员演了个烂片，宣传得好其实难副，或者无所谓乱看看结果看到一个烂片。我豆瓣的电影，多数得分时中等，得分中等偏上的有一些，低分很少，高分也很少（这个是个人打分习惯）。
Posted 01 二 2010 at 7:08 下午 ¶我觉得一般来说，凡是评了打了分的，都有喜欢的因子在。否则根本不会浪费那个时间去找出来，点上分数，写评论，哪怕是一句话的那种。
说句实话，我还有点逆反心理。我之前去豆瓣，看到很多人在骂给孔子打5分的人，我就觉得每个人都有表达意见的权利，所以即使我没看，我也打了个5分。我的心里就是，老子就打5分了，怎么着了。这个行为和孔子没关，而是我看了关于孔子的评论后产生的冲动，嘿嘿。
Posted 02 二 2010 at 8:21 上午 ¶这种心理应该也是推荐系统无法学习出来的吧，哈哈
如果把诸如舆论、心理因素都考虑进去，那推荐系统所要做的就太复杂了，几乎是一个常年贴身管家要了解的了
Posted 04 三 2010 at 3:13 下午 ¶我觉得以目前的计算机能力，能将整体用户的喜好趋势统计并展现出来，供用户参考就可以了，追求绝对的智能和精准，大概要等计算机的计算能力有进一步质的飞跃才行吧
是的，做为实际系统，不需要太智能，能做到一个比较好的助手就很好了。不过做research，可以大胆展望，小心求证。
Posted 05 三 2010 at 7:24 下午 ¶Post a Comment