推荐系统的基本概念

构建推荐系统本质上是要解决“5w”的问题。如下图示例，当用户在晚间休闲，上网阅读小说时，在阅读的军事小说下方，向他推荐三国志游戏，并给出推荐理由“纸上谈兵不如亲身实践”。

图4：个性化推荐解决5W问题

这是一个较好的推荐案例，很多军迷用户会下载游戏试玩。但反之，如果在用户白天开会投屏时，弹出提示框向用户推荐“巴厘岛旅游”，会给在场的同事留下不认真工作的印象，用户也会非常的恼火。可见，除了向谁（Who）推荐什么(What)之外，承载推荐的产品形式（Where）和推荐时机（When）也非常重要。

另外给出推荐理由（Why）会对推荐效果产生帮助吗？ 答案是肯定的，心理学家艾伦·兰格做过一个“合理化行为”的实验，发现在提供行动理由的情况下，更容易说服人们采取行动，因为人们会认为自己是“合乎逻辑”的人。

艾伦设计了排队打印的场景，一个实验者想要插队，通过不同的请求方式，观测插队成功的概率。他做了三组实验：

• 第一组：请求话术“打搅了，我有5页资料要复印，能否让我先来？”，有60%的成功概率。
• 第二组：请求话术中加入合理的理由“因为……（如赶时间）”，成功率上升到94%。
• 第三组：请求话术变成无厘头的理由“我能先用下复印机吗？因为我有东西要印。”，成功率仅略有下降，达到93%。

由此可见，哪怕我们提供一个不太靠谱的推荐理由，用户接受推荐的概率都会大大提高。

虽然完整的推荐系统需要考虑“5W”问题，但向谁（who）推荐什么(what)是问题的核心。所以，本章我们介绍一个解决这两个核心问题的推荐系统。使用的数据和推荐任务如下图所示，已知用户对部分内容的评分（偏好），推测他们对未评分内容的评分，并据此进行推荐。

图4：只保留两个核心问题的推荐任务