算法推荐机制的优点有哪些？推荐算法应用介绍

在生活中我们会随时接触到经由互联网算法机制计算后的信息，这些信息多数都符合用户习惯，但也有部分是不符合用户喜好的；从中我们可以知道算法推荐机制也有缺陷，那么算法推荐机制的优点和缺点到底都有哪些？应用领域又可以分为哪几种呢？

算法推荐机制优点

(1)可随用户偏好改变而发生变化，解释性强;不需要参考其它用户的数据和评分。

(2)能处理非结构化复杂对象;可推荐新信息;可避免内容分析的不完全和不精确，可以有效利用其他类似用户的反馈信息，加快个性化学习的步伐。

(3)可挖掘潜在需求，易发现新的兴趣点。

(4)不依赖于用户偏好历史，可以即时响应用户的推荐需求，不受用户偏好变化的影响，并且不存在冷启动问题。

(5)可跨平台进行信息融合,推荐效果较好。

算法推荐机制缺点

(1)模型训练比较费时。

(2)可解释性低。分解出来的用户和物品矩阵的每个维度无法和现实生活中的概念来解释,无法用现实概念给每个维度命名,只能理解为潜在语义空间。

(3)隐私暴露问题：互联网时代，收集、整理受众的信息异常简单，这也算是对受众的一种监控。以前的监控，也就是通过视频监控和图片文字的记录和储存。互联网大数据时代，监控发生了本质变化，目前的监控已经可以实现智能化身份辨别、动作识别，再经过算法的计算后，一个人的数字库就出现在了互联网上。

除了监控之外，互联网时代，获取受众数据的源头也比较容易，政府机关、商业组织都可以搜集受众信息，当然，个人下载软件输入提供的信息，也纳入到了数据的洪流之中。一些商业组织只要稍微搜集一下，受众的隐私就会被暴露出去。

(4)信息茧房程度加深：算法技术将受众数据挖掘、分析、整理后，根据受众的特征为受众提供一份个性化信息，受众长期接受这种个性化信息，就会导致思想封闭、僵化和视野窄化，自我的信息茧房程度加深。

推荐算法应用场景

(1)电子商务：以“亚马逊”网站为例，“‘亚马逊’作为推荐引擎的鼻祖，其推荐的核心是通过数据挖掘算法和比较用户的消费偏好与其他用户进行对比，借以预测用户可能感兴趣的商品。亚马逊使用分区的混合机制，并向不同的用户显示不同的建议。

另外，“亚马逊”网站上的许多推荐是基于用户数据计算出来的，用户数据中记录了用户在亚马逊上的行为，包括浏览过的商品，购买过的商品，躺在收藏夹里和愿望清单上的商品等等。

(2)视频网站：视频网站中最早应用算法推荐系统的是“Netflix”。“Netflix”的算法推荐机制与亚马逊相似，也是基于项目的算法推荐，简单来说，就是给用户推荐那些与他们曾经喜欢、或曾经观看的电影类型相似的电影。

(3)个性化音乐类应用：目前国内最成功的利用推荐算法的音乐类应用为“网易云音乐”。

“网易云音乐”个性化推荐的算法与很多 O2O 电商平台应用的基础推荐算法相似度很高。首先有协同过滤推荐，再是基于用户：一个用户与另一个用户收藏歌单的相似度很高，所以在判断两个人音乐品好相似的基础上，可以给其中一个用户推荐另一个用户歌单里他没收藏过的歌曲;基于项目(单曲)：也就是说，用户对歌曲的偏好被用作向量来计算单曲之间的相似性。

(4)社交网络：国外有社交媒体“Facebook”“Twitter”，国内有“微博”，以及新兴的短视频社交平台“抖音”等，都在用推荐算法给平台的信息推荐做优化。

(5)新闻媒体：像“今日头条”“一点资讯”“天天快报”等新闻聚合平台，就运用算法推荐技术来向用户推送个性化定制的新闻。这些基于算法推荐的媒体平台正在用技术改变用户的阅读体验，把挑选阅读内容的权力交还给用户。

从上面的文章中我们可以知道算法推荐机制也是一把双刃剑，最显著的就是它虽然十分方便，但是更容易让人思维陷入泥沼；而通过了解算法推荐机制最常用的这几个应用场景，能够更好的把握和运用算法推荐机制，为自己的产品和经营创造有利条件。

更多互联网行业知识，敬请关注三个皮匠报告行业知识栏目。

本文由@AG 发布于三个皮匠报告网站，未经授权禁止转载。

推荐阅读

什么是大数据营销?特点是?与传统营销的区别

中国大数据网：2022中国大数据分析行业研究报告.pdf(附下载)

前瞻：2022年中国大数据产业全景图谱.pdf(附下载)