看網易云音樂推薦歌集，同一個歌手，同一個體裁，是不是有點累？

看到今天頭條的Feeds流、同樣的八卦、同樣的娛樂新聞，你想卸載應用程序嗎？

你認為個性化推薦會讓你更狹隘嗎？

如果要討論

為什么要做個性化推薦系統(tǒng)

個人推薦是否會讓用戶變得狹隘，最好從“為什么要創(chuàng)建個人推薦系統(tǒng)”的角度來思考。

從背景出發(fā)：人們正逐漸從信息匱乏的時代走入信息過載的時代。這一背景帶來了兩個問題：信息過載、用戶目的性不強，典型場景是：你打開網易云音樂，很多歌曲，你不知道想聽什么。

在個性化推薦未出現之前，解決這兩個問題采取的方法一是類目管理，二是搜索，三是熱門物品展示。

一不適用于物品多的情況，二需要用戶準確描述需求，三的弊端是會加劇長尾效應，且命中率低。而個性化推薦系統(tǒng)根據用戶歷史行為挖掘用戶需求，與搜索引擎互補。

因此，做個性化推薦的目的是：在物品數量多的情況下，聯系用戶與產品，挖掘用戶潛在需求，解決長尾問題。

如何考評個性化推薦效果

進而，我們可以從“如何考評個性化推薦效果”這個角度進行思考

以下是綜合市面上相關個性化產品，總結而出的相關指標：

• 用戶滿意度
• 準確度
• 覆蓋率（長尾 馬太效應 用基尼系數）
• 多樣性 、新穎性（是否聽說過這個推薦結果）
• 驚喜度（和歷史興趣不同 卻滿意）
• 信任度（給出推薦理由 給出推薦源于那個好友）
• 實時性（推薦相關產品實時 將新加入的產品推薦）
• 健壯性（即魯棒性 抗作弊能力 可以通過加大用戶行為成本來實現）
• 其他商業(yè)目標

不展開細講，我們著重討論用戶滿意度、多樣性、驚喜度和準確度

• 用戶滿意度：這個不用細說
• 準確度：推薦系統(tǒng)最為重要的指標（沒有之一），但是準確的預測不一定是好的預測。舉個例子：用戶早就準備買A書，無論是否系統(tǒng)向他推薦，均會購買。那么對于用戶來說，他會覺得這個結果不新穎，沒有新鮮感。
• 多樣性：用戶興趣廣泛，可能喜歡看AV，也喜歡看新聞聯播；多樣性描述了推薦列表中物品兩兩之間的不相似性。
• 新穎性：用戶之前沒有聽說過的產品具有新穎性。

接下來，回想一下，在網易云音樂界面，系統(tǒng)推薦的音樂分為幾類

1. “你愛吃肉，那我給你各種肉”
2. “你愛吃肉，我發(fā)現你是缺乏肉類富含的脂肪，那我給你推薦富含脂肪的牛油果”。

回到我們的問題，是不是就是因為第一種情況，讓你覺得“個性化推薦會讓用戶變得狹隘”？

其實就是推薦系統(tǒng)在滿足準確性的基礎上，沒有滿足多樣性與新穎性，進而降低了用戶滿意度。簡而言之，對于潛在需求挖掘不夠深。

所以在這里，第一個結論是：不夠全面的個性化推薦會讓用戶變得狹隘

那么，個性化推薦怎么才能讓用戶信息接觸面擴寬，而不是狹隘呢？

我們以常用的協同過濾為例（具體請百度），從相似度矩陣（Similarity Matrix）說起

“你愛吃肉，那我給你各種肉”

這種情況下，我們用筷子往下翻，可能會看到蔬菜。但是用戶的視野就那么大，再好的推薦不能忍用戶看見也是扯淡。所以我們可以引入懲戒機制，適當降低同類物品權重，降低其排位。

小澤瑪利亞發(fā)新片，用戶蜂擁去看，包括蒼井空的一眾擁躉們也跑去觀望了一下。這樣的情況持續(xù)了一個多月，這下好了，喜歡蒼井空的用戶看到的推薦里面現在幾乎都能看到小澤瑪利亞的片，盡管兩者實際上不至于這么相關。

由于這個效應，許多用戶從個性化推薦點開小澤瑪利亞的片，造成了一個惡性循環(huán)，使得你的Similarity以為他們真的相關，這時候其他真正相關的優(yōu)質推薦卻被擠壓到后面了。所以我們可以再次引入懲戒機制，把熱門片推后吧。

假設現在有一個素人，身材好，長得像蒼井空，技術好，反正就是非常相關，蒼井空的球迷肯定會喜歡那種。但是她剛剛出道，公司資源也不多，宣傳力度不大，片源也少，只有少數幾個網站有片源，只有被少數的幾個蒼井空迷發(fā)掘。

現在問題來了，這么讓她被挖掘出來呢？這個基本上與上一個問題相反，這是冷門的優(yōu)秀推薦很難被發(fā)掘，長尾物品關注量少，馬太效應加劇。這時候我們可以用點歸一化（Normalization）的小伎倆微調一下。

以上是常見的幾個狹隘化現象，分別用相關方法加以算法微調，得以解決。

因此，結論是：一個成熟的個性化推薦系統(tǒng)，不會讓用戶變得狹隘，反而會擴寬用戶視野。

本文由 @易建聯 原創(chuàng)發(fā)布于人人都是產品經理。未經許可，禁止轉載。