国庆开新坑
国庆抽了3天时间，通读了一下这本书。这本书也是2020年3月才出版的，应该还是比较新的。写一下自己的收获和思考吧。
我们都生活在一个被推荐系统处处影响的时代。可能你主动和被动的或多或少都会在有接触。
书中2个比较明显的例子就是电商和视频。包括最近大火的头条和抖音，也都是推荐系统运用的大成者。可以说整个AI浪潮刮的最凶的就是在推荐领域，个人觉得超过了人脸识别和自动驾驶。毕竟后2者，一个是范围还是比较窄，对个人的生活改观没有那么大。另外一个是还没有切实的落到实处，还在探索阶段。
先说电商，当你打开淘宝界面时，你就会看到属于你的专属推荐。这对你来说其实解决的是海量商品的快速为你甄选。而对淘宝来说能产生更多的购买就是实打实的真金白银。
而对视频网站来说，推荐更符合用户胃口的视频，无疑可以增加用户粘性，提高用户留存，更好的去吸引用户，那么随之而来的广告收入也会增加。也是一种双赢。
按照书中的观点是：
- 互联网的核心需求是增长，而推荐系统是增长的核心。
- 推荐系统要解决的主要问题是用户如何在信息过载的情况下高效获取感兴趣的内容。
随后书中开始介绍了推荐系统的发展和演进历史，里面也包含不少干货知识。
大致目前分为2个阶段，一个是传统机器学习时代的算法。一个是深度学习时代的算法。随后又讲解工程上的实现和评估方式，也就是如何证明一个推荐算法比另一个更优。
所以这本书的笔记，之后打算再开4个部分来写。而这一章我打算简单写一下自己对推荐系统本身的思考点。
1. 个性化推荐大行其道，真的是最优的吗？
在没有个性化推荐的互联网时代，大家一般都会去三大门户。所有人看到的信息都是差不多的，而为了做更好质量的新闻或咨询。一般门户追求的是新闻的时效性和质量。上面有很多的子栏目，对应兴趣的用户会去点击自己感兴趣的子栏目。
而在个性化时代，这个边界再被模糊。我们会收到机器认为我们感兴趣的内容。而且这个预测的准确率在不断提升。所以我们能够更加轻松和愉悦的去浏览内容。这些内容的推荐，基本上是基于用户的标签，用户的历史浏览记录，物品的标签所决定。在机器学习的算法架子里，去找到那些共性最强的内容，然后排序之后返回给用户。
分析上述2种变化，第二种的优势在于，有一个更加懂你的APP；而问题是，我们的信息接受源被局限住了。你可能不知不觉的被一类信息所包裹，而产生了越多的“偏见”。
举一个极端的例子，如果你去到一个新地方，想找找看附近有什么好吃的餐馆。因为APP学习到了你最近几次都吃了火锅，所以给你看到的都是附近好吃的火锅店。但是你去的这个地方最精髓的地道特色并不是火锅，这样你就错过了体验不一样的其他事物的可能。
另外一个点是，我们买过同一些东西，真的就是兴趣相投嘛。这个误区在歌曲类APP里问题会很明显，我其实很希望能有一款懂我的推荐歌曲的APP。但是我用下来目前还没找到可以推的很准的APP，基本上开始几首推的还可以，后来越推越歪。有些歌甚至一连好几首我都不能忍，基本要一直划掉。虽然不知道为何是这样的推荐情况，但是从大样本来说，确实会在几首热门的歌上发生共振，但是热门的歌大家都会去听，那么在推荐到不热门的歌时。从样本量的角度来讲，必然是占有更庞大的人口基数的歌会被推荐出来。这其实就反应在推过来的歌从我的角度是非常“土气”， 不符合我的审美的。但是确实代表了更大群体的口味。所以算法本身没有能真正学习到我的口味，容易越走越歪。
以上2点，我觉得都是可以改进的地方。其实为了获得更好的推荐效果，我不介意做一些小调查，小测试之类的。不用完全根据我的历史行为去分析。所以我觉得可以能有一个切入口，让我主动去训练属于我自己的模型是个不错的方式。如果我对目前的推荐不满意的情况。
第一个问题，业界也一直在探索了。我知道有不少的创业企业都在第一个点上做不发力。拒绝把推荐挑食化。来达到更加好的内容质量和范围来获得更大的成功。
2. 时间悖论
推荐系统最直观的是为用户节约了搜索需要资源的时间。但也确实因为推荐系统，用户在APP上花的时间反而比原来更多。可能超出了用户的所需，但是他们感兴趣，就会有惯性。比如说抖音，一个用户可能只是想放松一下，刷一刷；结果一不小心就一刷刷了一整天，自己该做的事情都没有做。当然这对大多数人来说不是什么问题，开心就好；当然APP肯定是更开心了，说明自己产品做得相当出色。但是从整个社会的意义上，其本质也是和游戏比较相似，一做容易停不下来，可能也需要一定的防沉迷机制。包括购物网站，也会容易让有购物狂性格的人一下子买了超过自己需要的东西。对商家来说当然开心，但是这些东西买走后其实并没有物尽其用。
从这个角度来推荐系统未来还有一个可以发力的点，是更科学的交互模式。但这个违反了企业的盈利目标，不知道有没有一个双赢的方法。
3. 不同人设的推荐
其实自己的模型被训练的非常适合自己，我也一直有一些期待。有没有一些标签，可以让我转成另外一群人的推荐模式的。比如我觉得一些年长的人，可以去用用年轻人的推荐模型。年轻人可以用用年长的人推荐模型。会不会有新的启发呢？
作为理工科的我，有时也想看看会给文科的小伙伴们有哪些推荐呢？这个是个很有意思的模块，但是我目前还没有看到有一个应用落地了这个功能。
4. 语义理解的推荐
大多数时候，我们是在被动的接触推荐。这些推荐可能不是真正的推荐。意思就是我并不需要推荐但你推了。可能会让我多买一件物品或多看了一个视频。
但有些时候，我确实希望能有一个智能的系统来主动为我推荐，如果这个时候，这个系统可以运用的很高效，会极大的节约我的时间。
比如我最近在考虑搬家，那么我会去搜索引擎里搜索我能考虑到的所有的点，自己去过滤掉一些多余的信息，然后从信息海洋里提炼出有用的。
上述做法有2个问题，对于一个新的信息领域，用户本身要不断训练自己的搜索该领域的技巧，要花比较长的时间，才能知道有价值的信息从哪里获取的本事。如果这个模块可以被机器学习，那么可以节约我搜索筛选的时间成本。比如要经历过很多弯才知道哪个网站找酒店便宜，或者哪个网站里有我需要的攻略。这些都要花时间从搜索引擎里琢磨出来。
第二个问题是自己疏忽的点，则会被遗漏。比如我要搬家，我可以想到要去准备1,2,3个问题。那么我去搜了这3个问题的解决方式。但是其实有第4个问题，在搬家这个领域是和1,2,3强相关的。如果有系统可以自动为我提醒和推荐，那是极好的。
结语
谈了很多自己对推荐系统的肤浅理解和思考。接下来会更踏实的把这本书的演化内容给串讲一遍，结合自己的思考和学习收获。
本人一向秉承着，有输出才有更好的收获的原理去读书。这样可以逼自己去发现自己没有真正看懂的点以及去做一些更深的思考。
这本书还是非常不错的推荐给对推荐系统感兴趣的小伙伴。
网友评论