如今，网络推荐系统已经在互联网上得到了广泛的应用，并且为企业赢得了丰厚的回报。作为先驱者，Amazon公司35%的销售额来自于推荐系统。GoogleNews称推荐系统使其文章的阅读率提高了38%；Netflix公司60%的影片租赁业务来自于推荐系统。中国的网络企业在这个方面从未落后，如京东商城、一号店和当当网等也早已采用了网络推荐系统。
　　亚马逊的创始人杰夫·贝佐斯说：“有100万个顾客就应该有100万个亚马逊。”为了达到这样一个梦想，过去十年中无数专家学者投身于推荐方法和技术的创新中。虽然目前网络推荐系统在各个行业都获得了广泛关注和认可，但总体来说，网络推荐系统的发展仍然处于比较初级的阶段。
　　今天，我们的推荐系统似乎还没有想象中这么聪明。当你从某网站上购买过一个马桶刷之后，2个月内每当你在互联网上浏览新闻时，蹦出来的广告总是与马桶有关，似乎它们还分不清购买一个马桶刷和专业马桶清洁工之间的区别。当你试图在某购物网站上寻找一款MP3播放器，你会发现出现在推荐界面的要么是销量最大的（这款产品往往也是同档次产品中比较便宜的款式），要么是网站主推的广告产品（这款产品肯定也是网站收益最高的产品），或者你只好在几十个品牌上百种各类播放器中用自己发酸的眼睛慢慢浏览，这时你不由得感慨：“想安安静静听会儿音乐真难啊！”
　　可见，推荐系统领域仍然面临着大量亟待解决的问题和挑战，有些问题属于技术性难题，如数据稀疏性问题、冷启动问题、大数据处理能力问题等，有的问题则属于系统设计方面的问题，如系统脆弱性问题、推荐效果评价问题等。这里，我们主要从用户体验的角度提出三个推荐系统面临的挑战以及可能的解决方案。
　　挑战1用户对推荐系统“信任”的建立
　　在网络推荐系统的应用中，首先要解决的问题是用户的“信任”问题。用户在接触到推荐信息时，对于信息的接受意愿首先是基于对信息可信性的判断。该信息是否准确？该信息是否客观真实？该信息的生成过程是否透明？用户“信任”问题的解决直接关系着用户对推荐信息的采纳意愿以及随后的购买意愿和购买行为。
　　这个关键问题的解决必须通过两个途径来进行：展示能力；显示善意。研究者基于信任——技术接受模型，发现推荐系统的能力和善意影响用户对推荐系统的信任，信任影响推荐系统的感知有用性，并最终影响到对推荐系统的采纳意愿。
　　推荐系统的能力是指推荐系统是否能为用户做出准确的推荐，也就是推荐结果的准确性。大量的研究表明推荐系统的算法影响到推荐信息的准确性，因此对于推荐逻辑和推荐算法的研究在网络推荐系统研究领域受到学者的关注和偏爱。但实际上，这个准确性的评价标准并不是客观的，而是基于用户感知到的推荐结果与其偏好的匹配程度。同时，这种匹配程度的判断还会受到很多外部线索的影响，例如，其他用户对产品的评价分布、产品信息线索等。
　　推荐系统的善意显示是指推荐系统是否愿意如实、客观地为用户做出推荐。它包含了3个方面：1、推荐结果的客观性，即推荐结果是否真正依据当前用户的偏好信息与其他相关数据，通过计算机算法客观得出推荐建议，而不是为了商业目的刻意诱导用户去购买某些商品。2、推荐过程的透明度，即网络推荐系统是否提供推荐结果从何产生的原因，如阿里巴巴网站上的“购买此商品的顾客也同时购买”，表明此推荐信息是参考类似用户的购买行为，为当前用户所做出的推荐。3、推荐过程的用户参与性，即网络购物环境下让用户了解推荐产生的过程并允许用户与推荐系统进行信息的互动。如亚马逊使用的网络推荐系统会根据用户过去的消费记录，提供一系列相关商品建议用户进行评价（“喜欢”、“不喜欢”），随后推荐系统根据用户的评价信息即时推荐一批新的他们很可能感兴趣的商品。这样的网络推荐系统设计提高了用户参与度，很好地实现了与用户的双向互动。
　　挑战2推荐信息准确性、多样性和新奇性的平衡

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。