recommendation-engine - 为什么 Netflix Prize 如此具有挑战性？

Question

关闭。这个问题是opinion-based .它目前不接受答案。












想改进这个问题？更新问题，以便 editing this post 可以用事实和引用来回答它.

7年前关闭。




Improve this question




刚刚阅读了recent article in Wired ，我很好奇:Netflix 奖有什么挑战性？我的意思是最真诚的，我只是对比赛带来的困难感到好奇。大多数推荐引擎一般都很难改进吗？如果是这样，那是为什么？或者，Netflix 是否异常难以改进？如果是这种情况，Netflix 有什么特别之处，使它比亚马逊更具挑战性？

Answer 1

推荐系统存在难以解决的问题:

Cold start - 在新系统或新用户中，没有足够的数据来为推荐创建准确的统计模型。

Rating bias - 如果您根据用户评分进行推荐，那么评分的用户通常会根据自己的喜好调整结果。如果您是那种不喜欢额外评分步骤的人，那么具有相似品味的人可能也不喜欢评分，因此他们的意见会被排除在推荐之外。

未评级的项目不太可能被评级 - 如果您选择并因此根据评级对项目进行评级，未评级的项目不太明显，并且很难获得影响推荐所需的评级。在另一个方向上，受欢迎的商品具有更高的知名度，被更频繁地评分，因此在推荐中发挥了更大的作用。

Temporal bias - 用户的评级随时间而变化。对于长期变化，您可以通过在建议中添加时间元素来进行补偿。短期变化更难修复。在 Chuck Norris 之后马拉松，你可能更有可能给 Action 片打高分。第二天，在对 Steel Magnolias 大哭之后，你可能暂时对 Action 片有偏见。

不同的动机 - 在 item-based recommender systems ，您为姨妈生日购买的编织书会歪曲您的推荐(如果您不花时间告诉系统不要使用它)。你可能会给一部糟糕的 child 电影打高分，因为你的 child 喜欢它。

总之，这使得推荐系统很难改进过去就好了。一个准确率达到 80% 的系统看起来不错，但 5 次中有 1 次是错误的。对于某些用户而言，这使他们遇到的麻烦超过了他们的值(value)。