为什么 AI 没有提供更好的产品推荐

如果你对晦涩的东西感兴趣，有两个原因可以解释为什么你的搜索项目和产品可能与你的兴趣不太相关，而你的“主流”同龄人则不然；要么你是一个需要经济购买力才能满足的“边缘案例”，只有当你处于经济购买力的上层时，才能满足你的兴趣（例如，相关的产品和服务“财富管理”）；要么你使用的搜索算法正在利用 协同过滤 (CF)，它偏爱多数人的兴趣。

由于协同过滤比其他可能更强大的算法和框架更便宜、更成熟，因此这两种情况都有可能发生。

基于 CF 的搜索结果将优先显示被认为在“像您一样的人”中流行的项目，根据主机框架对您作为消费者的理解。

如果您不愿意向主机系统提供数据配置信息，例如不愿意在 Netflix 和其他视频内容服务中点击“喜欢”按钮，您可能会被归类为非常通用的类别，您收到的推荐将反映最流行的趋势。

在流媒体平台上，这可能意味着推荐当前“热门”的节目和电影，无论您是否对这些感兴趣。同样，对于书籍推荐平台，它们往往会提供当前和最近的畅销书，似乎是任意的。

理论上，即使是谨慎的用户也应该根据他们使用系统的方式和他们搜索的内容，最终从这样的系统中获得更好的结果，因为大多数搜索框架为用户提供了有限的编辑使用历史记录的能力。

任何颜色你喜欢，只要它是黑色

然而，根据奥地利的一项新研究，协同过滤在 内容基于过滤 (它试图在产品之间建立关系，而不仅仅是考虑总体流行度) 和其他替代方法上的主导地位，使搜索系统更容易受到长期 流行度偏见 的影响，即明显流行的结果被推向不太可能对它们感到兴奋的最终用户。

该论文发现，对于不感兴趣的流行项目的用户，收到的推荐“明显更差”_than 对于中等或高度感兴趣的流行项目的用户，并且（可能是同义反复）流行项目比不流行的项目更频繁地被推荐。研究人员还得出结论，对于流行项目不感兴趣的用户往往具有更大的用户配置文件，这些配置文件可能会改善推荐系统——如果这些系统能够克服对“羊群”指标的依赖。

[…]
（以下内容与原文保持一致，仅翻译了必要的部分）