以亞馬遜為例，看怎樣才算要給好的推薦系統！

亞馬遜前科學家Greg Linden曾在個人部落格裡寫道，從亞馬遜離職的時候，亞馬遜已至少有20%的銷售來自於推薦演算法，並在其之後的博文裡將這一數字更正為35%。而來源於亞馬遜前首席科學家Andreas Weigend的另一組資料顯示，亞馬遜有20%～30%的銷售來自於推薦系統。其確切數字雖未經官方證實，但推薦演算法於亞馬遜的重要地位於此可見一斑。

這恰好給予我們一個分析推薦系統的角度。究竟，怎樣的推薦系統才能稱之為好的推薦系統呢？

首先，這要從資訊過載說起。

當網際網路和通訊技術，將資訊的溪流匯聚為汪洋大海，如何幫使用者快速找到想要的資訊，以及如何將對的資訊推薦給感興趣的使用者，便變得異常棘手。我們專門為這過盛的資訊發明了一個詞彙，叫做“資訊過載”，以區別那個遠去的“資訊匱乏”時代。而資訊過載所帶來的，橫亙在資訊生產者與消費者之間的矛盾，便像一道天然的屏障，為“人找資訊”和“資訊找人”帶來了諸多麻煩。

為此，我們曾一度試圖利用類似Hao123的分類目錄網站，對常用網址資訊分門別類，以節省資訊篩選用時。然而，隨著資訊的極度膨脹，分類網站彷彿再也不頂什麼鳥用；於是，Google崛起了，繼之是百度，然後所有存在資訊過載問題的領域，基本上都開發了與之匹配的檢索埠（如電商平臺等）；但是，這依然沒能解決全部資訊過載的問題（檢索太過依賴基於使用者經驗的關鍵詞輸入，而對使用者未知的領域不能提供實質的幫助），併成為推薦應運而生的肥沃土壤。

所以，一個好的推薦系統一定要能有效解決“資訊過載”問題，讓“人找資訊”和“資訊找人”都變得準確而高效。

其次，一個好的推薦系統，一定是基於個性化推薦的

所謂“無資料，不個性”，個性化推薦系統強度依賴使用者行為資料，通過分析大量使用者行為日誌的方式，達到給不同使用者提供不同個性化資訊的目的。無論是電子商務、電影、社交 網路、閱讀、基於位置的服務，還是廣告領域，都無一例外地包含著“展示頁面”、“後臺日誌系統”、“推薦演算法系統”三個構成部分。

亞馬遜的個性化推薦主要通過“個性化推薦列表”得以實現。它由“推薦結果”“結果評分”“推薦理由”三個模組組成。其中，“推薦結果”，由標題、圖片、相關內容屬性組成，用以概述產品的基本情況；“結果評分”，基於大部分使用者對該圖書的打分，用以評估該圖書的總體質量；“推薦理由”，濃縮了使用者正向的歷史行為與該圖書千絲萬縷的聯絡（很可能，過去的你，對相似圖書或同類圖書曾表示過喜歡的傾向）為得到使用者確切的偏好資料，亞馬遜還在圖書後面專門設定了“Fix this recommendation（修正這一推薦）”按鈕，並附帶了包 括Add to Cart（加入到購物車）、Add to Wish List（加入到心願單） 、Rate this item（給書 打分）、 I own it（我已經有這本書了）和Not interested（對這本書沒興趣）等在內的五種修正方式。甚至在“推薦理由”最下端的“推薦原因”設定也是非常人性化的，藉以讓讀者進一步看清其推薦的確切由來。

亞馬遜的推薦系統，一方面採用了“基於物品”的推薦演算法，即為使用者推薦那些相似於他們過去所喜歡過的物品；另一方面採用了“基於好友”的推薦演算法，即為使用者推薦其Facebook好友所喜歡過的東西。

最後，一個好的推薦系統，也是一個相關推薦系統

這得益於亞馬遜的“相關推薦列表”功能。

在使用者購買商品的時候，通過告訴使用者其他使用者在購買該商品時也會購買的其他幾個商品的方式，以達到打包營銷目的。亞馬遜的這一“打包銷售”手段，堪稱推薦演算法的最重要應用，並被推而廣之地內化為電子商務網站的標準應用。

“購買了這個商品的使用者也經常購買的其他商品”和“含瀏覽過這個商品的用 戶經常購買的其他商品”構成了“相關推薦列表”的兩種方式。

亞馬遜通過其成熟的推薦系統，給予每個進入網站的瀏覽者以不同的個性化體驗，從而把一個龐大的圖書帝國，拆分成一個個“精而美”的個人書店。