《推荐系统》--最新进展：攻击、在线消费决策、普适环境、总结及经验

《Recommender System An Introduction》，第九章，针对协同推荐系统的攻击

《Recommender System An Introduction》，第十章，在线消费决策

《Recommender System An Introduction》，第十一章，推荐系统和下一代互联网

《Recommender System An Introduction》，第十二章，普适环境中的推荐

应对攻击的对策

（1）使用基于模型的技术和额外的信息

（2）提高插入成本

（3）自动探测攻击

在线消费决策

主流推荐系统任务，消费者在开始决策之前并不能清楚地确认并说明他们的偏好，决策是一个构建偏好的过程，而不是抽取偏好的过程。为了提高推荐效果，需要在推荐系统的技术设计中整合关于人类决策过程的深度指示。

这一章节，分析了决策、认知、个性和社会心理学的相关理论，以及它们对偏好构建过程的影响。结论认为：认知和决策心理学，对推荐的结果有着重要影响，但并没有在现有的推荐系统中被明确考虑；个性和社会心理学，对构建推荐系统起了很大作用。

来自认知和决策心理学的理论：

理论	描述
环境效应	物品集合中其他不相关（劣等）的物品会显著影响选择行为
首位/新近效应	列表开始和末尾的的物品明显比列表中部的物品更经常被人们分析
框架效应	不同候选决策的展现方式会影响最终的决策
启动效应	如果更容易获取具体的决策属性，那么影响顾客对物品的评估
默认效应	预设选项使得决策过程有偏

来自个性和社会心理学的理论：

理论	描述
内部与外部LOC	受外界影响的用户需要更多引导；受内在控制的用户想要主动、有选择地寻找其他信息
关闭的需要	尽可能快地描述决策中的个人追求
最大化者与满足者	最大化者想要找到最优解；满足者寻找能满足基本需求的解决方案
从众	一个人的行为、态度和信念会受到其他人的影响
信任	一个人的行为意图与购买意愿这样的因素有关
情感	人的心理状态受到重要事件的触动
说服	改变态度或行为

推荐系统和下一代互联网

Web2.0和语义网给推荐系统领域带来了各种机遇、最新方法和具体实现。

随着网络的不断发展，我们能够利用额外的信息向用户提供更好的推荐服务，比如：

（1）基于信任网络的推荐系统

（2）大众分类法

（3）本体过滤

（4）从网络抽取语义

普适环境中的推荐

移到设备发展迅速，移到应用，或者更为广义的普适应用，对不同的个性化和推荐技术来说，前景广阔。

应用必须感知上下文，因为它们总是和活动（比如行走、驾驶或通信）并存

这是与假设用户会全神贯注的传统网络应用的主要区别。

总结

推荐系统植根于不同的研究领域，比如信息检索、信息过滤和文本分类，采用了不同领域的方法，比如机器学习、数据挖掘和基于知识的系统。

《推荐系统》这本书，是一本导读，向读者提供有关这个领域的概述和简介。

在“最新进展”这一部分，介绍了攻击和应对攻击的对策、在线消费决策的理论、新一代互联网技术发展带来的更多可用信息、移动等普适环境的推荐应用等。

设计推荐系统的经验

（1）确定你真的需要推荐系统。推荐系统只有在用户遇到信息过载时才必要。如果你的网站物品不太多，或者用户兴趣都比较单一，那么也许并不需要推荐系统。所以不要纠结于推荐系统这个词，不要为了做推荐系统而做推荐系统，而是应该从用户的角度出发，设计出能够真正帮助用户发现内容的系统，无论这个系统算法是否复杂，只要能够真正帮助用户，就是一个好的系统。

（2）确定商业目标和用户满意度之间的关系。对用户好的推荐系统不代表商业上有用的推荐系统，因此要首先确定用户满意的推荐系统和商业上需求的差距。一般来说，有些时候用户满意和商业需求并不吻合。但是一般情况下，用户满意度总是符合企业的长期利益，因此这一条的主要观点是要平衡企业的长期利益和短期利益的关系。

（3）选择合适的开发人员。一般来说，如果是一家大公司，应该雇佣自己的开发人员来专门进行推荐系统的开发。

（4）忘记冷启动的问题。不断地创新，互联网上有任何你想要的数据。只要用户喜欢你的产品，他们就会不断贡献新的数据。

（5）平衡数据和算法之间的关系。使用正确的用户数据对推荐系统至关重要。对用户行为数据的深刻理解是设计好推荐系统的必要条件，因此分析数据是设计系统中最重要的部分。数据分析决定了如何设计模型，而算法只是决定了最终如何优化模型。

（6）找到相关的物品很容易，但是何时以何种方式将它们展现给用户是很困难的。不要为了推荐而推荐。

（7）不要浪费时间计算相似兴趣的用户，可以直接利用社会网络数据。

（8）需要不断地提升算法的扩展性。

（9）选择合适的用户反馈方式。

（10）设计合理的评测系统，时刻关注推荐系统各方面的性能。