为什么AI没有提供更好的产品推荐

如果您对晦涩的东西感兴趣，有两个原因可以解释为什么您的搜索结果与您的兴趣不太相关：要么您是经济购买力较高的“边缘”用户，只有当您属于上层经济类别时，搜索算法才会满足您的需求；要么您使用的搜索算法采用了协同过滤（Collaborative Filtering，CF）技术，这种技术偏向于多数人的兴趣。

由于协同过滤技术比其他算法更廉价、更成熟，因此两种情况都有可能发生。

基于协同过滤的搜索结果会优先显示那些被认为是“像您一样的人”会喜欢的项目，当然，这取决于主机框架对您的消费者类型的理解程度。

如果您不愿意向主机系统提供数据资料，例如不愿意在Netflix和其他视频内容服务中点击“喜欢”按钮，那么您可能会被归类为一个非常普通的用户，您收到的推荐将反映出最流行的趋势。

在流媒体平台上，这可能意味着您会被推荐当前最热门的节目和电影，例如真人秀和法医谋杀纪录片，无论您是否对这些感兴趣。同样，对于书籍推荐平台，它们往往会推荐当前和最近的畅销书，似乎是任意的。

理论上，即使是数据谨慎的用户也应该能够从这些系统中获得更好的结果，基于他们的使用方式和搜索内容，因为大多数搜索框架都为用户提供了有限的编辑使用历史的能力。

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，协同过滤技术的兴起使得搜索系统更容易受到长期流行偏见的影响，即明显流行的结果会被推向不太可能对其感到兴奋的终端用户。

该研究发现，对于不感兴趣于流行项目的用户，他们收到的推荐明显更差，而流行项目则更频繁地被推荐给中等或高流行度的用户。研究人员还发现，对于不感兴趣于流行项目的用户，他们往往具有更大的用户资料，这可能会改善推荐系统——如果系统能够克服对“羊群”指标的依赖。

研究人员评估了四种流行的多媒体推荐系统（MMRS）协同过滤算法，使用了四个领域的数据集：数字书籍（通过BookCrossing数据集）、电影（通过MovieLens数据集）、音乐（通过Last.fm数据集）和动漫（通过MyAnimeList数据集）。

研究人员将用户分为三个群体：低流行度（LowPop）、中等流行度（MedPop）和高流行度（HighPop），每个群体有1000个用户。结果表明，用户的流行度倾向与推荐结果之间存在强烈的相关性，流行项目更容易被推荐给用户。

涵盖的领域

在之前的研究基础上，本研究涵盖了四个领域：数字书籍、电影、音乐和动漫。研究人员评估了四种流行的多媒体推荐系统协同过滤算法，使用了四个领域的数据集。

研究人员发现，基于协同过滤的推荐系统更容易受到流行偏见的影响，即流行项目更容易被推荐给用户。这一发现对推荐系统的设计和优化具有重要意义。

容易的出路

虽然协同过滤技术在搜索算法中占有重要地位，但它并不是唯一的解决方案。内容基于过滤（Content-Based Filtering，CBF）技术可以提供更相关的结果，但它更难实施。

在计算机视觉领域，研究人员正在尝试从视频内容中提取语义特征，以生成更智能的推荐。然而，这一领域仍处于初期阶段，需要更多的研究和开发。

谁使用协同过滤

Netflix的推荐引擎仍然依赖于协同过滤技术，尽管它也采用了其他技术来生成更相关的推荐。Amazon的搜索引擎也使用协同过滤技术，但它更强调客户的购买历史。

Facebook 、LinkedIn、YouTube和Twitter也都使用协同过滤技术来生成推荐。然而，这一技术也存在一些问题，例如过滤气泡和数据稀疏性。

为了解决这些问题，研究人员正在探索新的算法和技术，例如基于图的推荐和深度学习。这些技术可以提供更相关的推荐，并帮助用户发现新的内容。

总之，协同过滤技术在搜索算法中占有重要地位，但它并不是唯一的解决方案。内容基于过滤技术和其他新兴技术可以提供更相关的结果，帮助用户发现新的内容。

最初发布于2022年3月2日。