“猜你喜歡”如何打量你

約翰·里德爾

你有沒有想過自己在亞馬遜眼中是什么樣子？答案是：你是一個很大很大的表格里一串很長的數(shù)字。這串數(shù)字描述了你所看過的每一樣?xùn)|西、你點擊的每一個鏈接以及你在亞馬遜上買的每一件商品；表格里的其余部分則代表了其他數(shù)百萬到亞馬遜購物的人。你每次登錄網(wǎng)站，你的數(shù)字就會發(fā)生改變；在此期間，你在網(wǎng)站上每動一下，這個數(shù)字就會跟著改變。這個信息又會反過來影響你在訪問的每個頁面上會看到什么，還有你會從亞馬遜公司收到什么郵件和優(yōu)惠信息。

“猜你喜歡”怎么猜中

許多年來，商家都會使用推薦系統(tǒng)用各種各樣的方法來采集和解析所有數(shù)據(jù)，比如個性化協(xié)同推薦的算法。這也是亞馬遜、Netflix、Facebook 的好友推薦的核心算法。說它 “個性化”，是因為這種算法會追蹤用戶的每一個行為（如瀏覽過的頁面、訂單記錄和商品評分），以此進行推薦，它們可不是瞎貓碰上死耗子——全憑運氣。說它 “協(xié)同”，則是因為它會根據(jù)許多其他的顧客也購買了這些商品或者對其顯示出好感，而將兩樣物品視為彼此關(guān)聯(lián)，它不是通過分析商品特征或者關(guān)鍵詞來進行判斷的，而是通過一些特別的算法。

User-User：用戶之間的相似度

如果吉姆和簡都給《電子世界爭霸戰(zhàn)》這部電影打了 5 分，那么他們之間的距離就是 0。如果吉姆給它的續(xù)集《創(chuàng)：戰(zhàn)紀》這部電影打了 5 分，而簡只打了 3 分，那么他們之間的距離就變大了。

Item-Item：物品之間的關(guān)聯(lián)

喜歡湯姆·克蘭西書的人很可能會給克萊夫·卡斯勒的作品打高分，因此克蘭西和卡斯勒的書就共處一個集合中。一對物品之間的距離可能是根據(jù)成百上千萬用戶的評分計算得出，在一段時間里往往保持相對穩(wěn)定，因此推薦系統(tǒng)可以預(yù)先計算距離，并更快地生成推薦結(jié)果。

降維算法：把事物特征一般化

你可以把你愛吃的東西用一個巨型矩陣表示出來，每一條豎線代表一樣食物。上面或許會顯示你給了烤牛排5顆星、紅燒小排4星半、烤雞翅2顆星、凍豆腐卷1顆星、奶酪烤蘑菇5顆星、鹽水毛豆4顆星等。

然而，使用這個矩陣并不關(guān)心你給哪種食物評了多少顆星。它想要了解的是你一般而言的喜好，這樣它可以將這個信息應(yīng)用到更豐富多樣的食物上。比如說，基于你上面給出的信息，算法可能會認為你喜歡牛肉、咸的東西和烤制菜品，不喜歡雞肉和任何油炸的東西，不喜歡也不討厭蔬菜，以此類推。

當然，商家使用推薦系統(tǒng)還可以解決兩個最重要的問題：第一，在弄清楚你和其他購物者的相似度有多高之前，必須先弄明白你真正喜歡什么；第二，所有的推薦必須依照一組商業(yè)規(guī)則運行，以確保推薦結(jié)果既讓你覺得有用，也有利可圖。

如何從你的信任中掙錢

記錄你每一個動作

舉個例子，亞馬遜的藝術(shù)品商店有這樣幾個方法來評估你的喜好。它會讓你在 1 到 5 顆星的等級上給某一件藝術(shù)作品打分，它也會記錄下你把哪些畫點擊放大了來看，哪些畫你反反復(fù)復(fù)看了好多次，你把哪些放進了心愿單，還有你最終實際下單買了什么，它還會追蹤在你瀏覽過的每一個頁面上都顯示了哪些畫作。在線零售商會使用你在其網(wǎng)站上行進的路徑（你瀏覽過的頁面和點擊商品的鏈接）來向你推薦相關(guān)聯(lián)的商品。此外，它還把你的購買記錄和打分信息結(jié)合起來，建立一個你長期購買偏好的檔案。

像亞馬遜這樣的公司會收集大量此類有關(guān)客戶的數(shù)據(jù)。在你登錄期間，你在它網(wǎng)站上的幾乎每一個動作都會被記下來，留作將來使用。多虧有了瀏覽器 cookie，連匿名購物者的上網(wǎng)記錄商家也能維持，最終這些數(shù)據(jù)將在匿名購物者創(chuàng)建賬戶或者登錄時，鏈接到顧客的個人資料。這種爆炸式的數(shù)據(jù)采集并非為在線商家所獨有，沃爾瑪便以其對現(xiàn)金收據(jù)數(shù)據(jù)的深入挖掘而著稱于業(yè)界。但是，網(wǎng)上商店處在一個更有利的位置去查看和記錄，不止是消費者買了些什么，還包括你曾考慮過、瀏覽過和決定不買哪些商品。在全世界大部分地區(qū)，所有這類活動都是任人監(jiān)視和記錄的，只有在歐洲，數(shù)據(jù)隱私法在一定程度上限制了這種操作。

當然，不論法律如何，顧客發(fā)現(xiàn)自己的數(shù)據(jù)被人濫用后，都會產(chǎn)生強烈的抵觸情緒。早在 2000 年 9 月，亞馬遜吃過一次苦頭：有一部分顧客發(fā)現(xiàn)他們收到的報價更高，因為網(wǎng)站將他們識別為老顧客，而不是匿名進入或是從某個比價網(wǎng)站轉(zhuǎn)接進來的顧客。亞馬遜聲稱這只是一項隨機的價格測試，其呈現(xiàn)出來的結(jié)果與老顧客身份之間的關(guān)聯(lián)純屬巧合。話是這樣說，它還是叫停了這項操作。

不做愚蠢的推薦

為防止算法給出愚蠢的推薦，在線零售商也要遵循種種商業(yè)規(guī)則約束推薦系統(tǒng)。最起碼，應(yīng)該避免人們說的超市悖論。例如，差不多每個去超市的人都喜歡吃香蕉，也經(jīng)常會買一些。那么，推薦系統(tǒng)該不該向每一位顧客都推薦香蕉呢？答案是否定的——這樣做既幫不上顧客，也提高不了香蕉的銷量。所以，智能的超市推薦系統(tǒng)始終會有一條規(guī)則，明確地將香蕉排除在推薦結(jié)果之外。

這個例子可能聽起來沒什么，但在我早期經(jīng)手的一個項目中，我們的網(wǎng)站就曾經(jīng)向幾乎每一個到訪者推薦披頭士的《白色專輯》。從統(tǒng)計學(xué)的意義上講，這是個很棒的推薦：顧客此前都沒有從這個網(wǎng)站購買過這張專輯，而大多數(shù)顧客對《白色專輯》的評價都很高。盡管如此，這個推薦仍然是無效的——任何一個對《白色專輯》感興趣的人都已經(jīng)有一張了。

當然，大部分的推薦規(guī)則都是更加微妙的。比如，當你在 Netflix 搜索動作影片時，尚沒有租借版的影片在結(jié)果中不會出現(xiàn)，但你會被導(dǎo)向其他可以播放的影片。

其他的規(guī)則還包括禁止推薦為招徠顧客而虧本銷售的商品；反過來，鼓勵推薦滯銷品。

贏取你的信任

然而，這種事情很快就會變得棘手起來。一個只會推銷高利潤商品的推薦算法是不會贏得顧客信任的。這就像是去餐館，那兒的服務(wù)生極力向你推薦某道魚一樣。這個魚真的是他覺得最好吃的嗎？還是大廚催著底下的人趕在魚變質(zhì)前把它給賣出去？

為了建立信任感，商家希望推薦系統(tǒng)會盡力保持一定的透明度，讓顧客對為什么會向自己推薦這件商品有一個大致的概念，并且在不喜歡收到的推薦結(jié)果時，可以更改他們的個人資料。比如說，你可以刪除你在亞馬遜上買來送禮的購物記錄；畢竟，那些東西反映的不是你個人的喜好。你還可以知道系統(tǒng)為什么會向你推薦某些產(chǎn)品。當亞馬遜為你挑選了喬納森·弗蘭岑的小說《自由》之后，你點擊標簽上的鏈接“為什么推薦給我？”隨即顯示出一份簡要的說明，原來是你放在心愿單里的幾本書觸發(fā)了這一推薦。

但是，完善個人資料和解釋推薦結(jié)果往往不足以保證系統(tǒng)不出錯。2012年，亞馬遜用高清大屏幕電視機的促銷電子郵件對喬進行了轟炸——每周 3 封，連續(xù)扔了一個月。除了給喬寄了過多的電子郵件，這家零售商還沒有意識到，喬已經(jīng)用他妻子的賬戶買了一臺電視機。此外，這些電子郵件并沒有提供一種很明顯的方法，讓喬可以說“謝謝，但我不感興趣”。最終，喬取消了他在亞馬遜的一些郵件訂閱；他并不在意收不到各種信息，而且他有了更多的時間來看他的電視。

[編輯 代永華]

E-mail：dyh@chinacbr.com