“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字。這串數字描述了你所看過的每一樣東西、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百萬到亞馬遜購物的人。你每次登錄網站，你的數字就會發生改變；在此期間，你在網站上每動一下，這個數字就會跟著改變。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用各種各樣的方法來采集和解析所有數據，比如個性化協同推薦的算法。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 “協同”，則是因為它會根據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聯，它不是通過分析商品特征或者關鍵詞來進行判斷的，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》這部電影打了 5 分，那么他們之間的距離就是 0。如果吉姆給它的續集《創：戰紀》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：物品之間的關聯

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定，因此推薦系統可以預先計算距離，并更快地生成推薦結果。

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規則運行，以確保推薦結果既讓你覺得有用，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，哪些畫你反反復復看了好多次，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）來向你推薦相關聯的商品。此外，它還把你的購買記錄和打分信息結合起來，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客戶的數據。在你登錄期間，你在它網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記錄商家也能維持，最終這些數據將在匿名購物者創建賬戶或者登錄時，鏈接到顧客的個人資料。這種爆炸式的數據采集并非為在線商家所獨有，沃爾瑪便以其對現金收據數據的深入挖掘而著稱于業界。但是，網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，所有這類活動都是任人監視和記錄的，只有在歐洲，數據隱私法在一定程度上限制了這種操作。

當然，不論法律如何，顧客發現自己的數據被人濫用后，都會產生強烈的抵觸情緒。早在 2000 年 9 月，亞馬遜吃過一次苦頭：有一部分顧客發現他們收到的報價更高，因為網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站轉接進來的顧客。亞馬遜聲稱這只是一項隨機的價格測試，其呈現出來的結果與老顧客身份之間的關聯純屬巧合。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規則約束推薦系統。最起碼，應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，也經常會買一些。那么，推薦系統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始終會有一條規則，明確地將香蕉排除在推薦結果之外。

這個例子可能聽起來沒什么，但在我早期經手的一個項目中，我們的網站就曾經向幾乎每一個到訪者推薦披頭士的《白色專輯》。從統計學的意義上講，這是個很棒的推薦：顧客此前都沒有從這個網站購買過這張專輯，而大多數顧客對《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》感興趣的人都已經有一張了。

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

其他的規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前把它給賣出去？

為了建立信任感，商家希望推薦系統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。你還可以知道系統為什么會向你推薦某些產品。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了這一推薦。

但是，完善個人資料和解釋推薦結果往往不足以保證系統不出錯。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