本篇文章是由《网络与信息》发表的一篇电子论文，(月刊)创刊于1987年，由辽宁省信息中心主办。是经国家科技部和国家新闻出版总署批准的国内外公开发行的计算机网络应用类专业媒体，《网络与信息》是国内公开发行的互联网信息导航和IT技术应用类月刊，计算机网络应用类专业媒体，国家信息中心核心期刊，中国信息经济学会会刊。
如今，网络推荐系统已经在互联网上得到了广泛的应用，并且为企业赢得了丰厚的回报。作为先驱者，Amazon公司35%的销售额来自于推荐系统。GoogleNews称推荐系统使其文章的阅读率提高了38%;Netflix公司60%的影片租赁业务来自于推荐系统。中国的网络企业在这个方面从未落后，如京东商城、一号店和当当网等也早已采用了网络推荐系统。
亚马逊的创始人杰夫·贝佐斯说：“有100万个顾客就应该有100万个亚马逊。”为了达到这样一个梦想，过去十年中无数专家学者投身于推荐方法和技术的创新中。虽然目前网络推荐系统在各个行业都获得了广泛关注和认可，但总体来说，网络推荐系统的发展仍然处于比较初级的阶段。
今天，我们的推荐系统似乎还没有想象中这么聪明。当你从某网站上购买过一个马桶刷之后，2个月内每当你在互联网上浏览新闻时，蹦出来的广告总是与马桶有关，似乎它们还分不清购买一个马桶刷和专业马桶清洁工之间的区别。当你试图在某购物网站上寻找一款MP3播放器，你会发现出现在推荐界面的要么是销量最大的(这款产品往往也是同档次产品中比较便宜的款式)，要么是网站主推的广告产品(这款产品肯定也是网站收益最高的产品)，或者你只好在几十个品牌上百种各类播放器中用自己发酸的眼睛慢慢浏览，这时你不由得感慨：“想安安静静听会儿音乐真难啊!”
可见，推荐系统领域仍然面临着大量亟待解决的问题和挑战，有些问题属于技术性难题，如数据稀疏性问题、冷启动问题、大数据处理能力问题等，有的问题则属于系统设计方面的问题，如系统脆弱性问题、推荐效果评价问题等。这里，我们主要从用户体验的角度提出三个推荐系统面临的挑战以及可能的解决方案。
挑战1用户对推荐系统“信任”的建立
在网络推荐系统的应用中，首先要解决的问题是用户的“信任”问题。用户在接触到推荐信息时，对于信息的接受意愿首先是基于对信息可信性的判断。该信息是否准确?该信息是否客观真实?该信息的生成过程是否透明?用户“信任”问题的解决直接关系着用户对推荐信息的采纳意愿以及随后的购买意愿和购买行为。
这个关键问题的解决必须通过两个途径来进行：展示能力;显示善意。研究者基于信任——技术接受模型，发现推荐系统的能力和善意影响用户对推荐系统的信任，信任影响推荐系统的感知有用性，并最终影响到对推荐系统的采纳意愿。
推荐系统的能力是指推荐系统是否能为用户做出准确的推荐，也就是推荐结果的准确性。大量的研究表明推荐系统的算法影响到推荐信息的准确性，因此对于推荐逻辑和推荐算法的研究在网络推荐系统研究领域受到学者的关注和偏爱。但实际上，这个准确性的评价标准并不是客观的，而是基于用户感知到的推荐结果与其偏好的匹配程度。同时，这种匹配程度的判断还会受到很多外部线索的影响，例如，其他用户对产品的评价分布、产品信息线索等。
推荐系统的善意显示是指推荐系统是否愿意如实、客观地为用户做出推荐。它包含了3个方面：1、推荐结果的客观性，即推荐结果是否真正依据当前用户的偏好信息与其他相关数据，通过计算机算法客观得出推荐建议，而不是为了商业目的刻意诱导用户去购买某些商品。2、推荐过程的透明度，即网络推荐系统是否提供推荐结果从何产生的原因，如阿里巴巴网站上的“购买此商品的顾客也同时购买”，表明此推荐信息是参考类似用户的购买行为，为当前用户所做出的推荐。3、推荐过程的用户参与性，即网络购物环境下让用户了解推荐产生的过程并允许用户与推荐系统进行信息的互动。如亚马逊使用的网络推荐系统会根据用户过去的消费记录，提供一系列相关商品建议用户进行评价(“喜欢”、“不喜欢”)，随后推荐系统根据用户的评价信息即时推荐一批新的他们很可能感兴趣的商品。这样的网络推荐系统设计提高了用户参与度，很好地实现了与用户的双向互动。
挑战2推荐信息准确性、多样性和新奇性的平衡向用户推荐商品的过程中，最保险的做法莫过于给他推荐最流行和评分最高的产品，因为从概率的角度这些产品被喜欢的可能性最大，最起码这些商品被讨厌的概率会很小。例如，一项在某餐馆的研究发现：研究者在某些餐桌上向顾客展示出最受欢迎的五道菜肴的销量排名信息，这些菜肴的需求量提高了13%-20%，并且用户的用餐满意度也提高了。但是从用户体验的角度来说，这种策略不一定是最佳的选择，因为用户很可能已经知道了这些热销流行的产品，所以得到的信息量很少。长此以往，在用户的心目中对于网络推荐系统的信任就会有所下降。从另一角度来讲，更加多样化和新奇的产品推荐对网站来说也是有利可图的。多样化和新奇的产品不仅可以提高用户的体验满足感，而且对网站而言，低知名度的产品与知名产品相比所带来的毛利率更高。
遗憾的是，推荐信息的准确性、多样性和新奇性之间确实存在一定的矛盾。准确的推荐风险最小但用户体验性不足(用户认为这样的推荐过于大众化);多样化的推荐受众最广但准确性欠缺(推荐信息缺乏针对性);新奇的推荐最令人惊喜但面临较大的风险(推荐一个没人用过或者评价较低的产品，可能引起用户的警惕甚至反感)。如何权衡三者之间的矛盾成为推荐系统亟待解决的一个重要问题。
一个可能的解决方向在于用户行为的深度挖掘。一般而言，随着购物经验的积累，用户对于推荐信息中的多样化需求越来越高，并希望看到更多的“意外之喜”。所以，新用户倾向于选择热门的商品，而老用户对小众商品关注更多;新用户所选择的商品相似度更高，老用户所选择的商品多样性更强。例如，针对新老客户不同的行为模式，推荐系统可以提供类似于滑动按钮来调节“准确性—多样性”之间的平衡——用户想看热门时，算法提供热门推荐;用户想找点很酷的产品时，算法提供更多样化的推荐。
转载请注明来自：http://www.lunwencheng.com/lunwen/dzi/8616.html
