By Fire
给推荐系统加入推荐理由的主要目的是增加推荐系统的说服力，加强用户对推荐系统的信任感。进而增加推荐效果，提高转化率。
- 目前使用了推荐理由的推荐系统：亚马逊、豆瓣用户推荐。基本是根据物品内容来进行相关性推荐，比如购买了xxx的也喜欢yyy。豆瓣用户推荐只根据单一条目，比如“和你一样喜欢xxx”，而很多人标注过的电影、书有几百几千条，这样效果并不好。
- 没有使用推荐理由的推荐系统：淘宝、京东、豆瓣电影、豆瓣fm、网易云音乐。基本都是“猜你喜欢”的形式。
- 静态推荐理由：每个人看到的都一样，比如“热销榜单前十”，“年度top10”，“喜欢推理的人也会喜欢这些”。
- 动态推荐理由：随着用户行为变化。比如“购买了xx的60%的人也购买了yy”，“和你口味类似的人也喜欢这些”，“猜你喜欢”，“根据你的阅读喜好为你推荐”。
-
透明性:使推荐系统更加透明，是推荐理由的主要作用之一，也是评价推荐理由是否有效的重要标准。推荐理由能让用户理解生成推荐结果的计算过程，同时也可以解释一个物品比另一个物品更受欢迎的原因。
-
用户信任度:用户对推荐系统的信任程度通常是与透明性联系在一起的。用户通过推荐理由了解到当前推荐结果的产生原理，可以增强用户对系统推荐结果的信心，并且在推荐失误的情况下对错误结果更加宽容。建立起用户对推荐系统的信心后，用户会更倾向于继续使用这个系统；相反，在透明性不好的系统，用户的信任程度偏低，使用次数也会随之下降。
-
可理解性:可理解性是紧密关联透明性的另一指标。用户总是希望自己有最后的决定权，如果系统推荐的商品不满意，得有办法让用户改进它。对于这类需求，需要简洁地告诉用户系统的推荐逻辑，比如“因为你喜欢A所以给你推荐了B”，用户可以依此来修改兴趣列表，调整推荐结果。
-
正确性:基于推荐理由，用户可以比较自己的需求和实际提供的物品特性，从而确认推荐物品的质量，验证推荐结果的准确性。一个表达准确的推荐理由能够帮助用户使用户做出更明智更准确的决策。
-
高效性:高效性是指让用户快速地判断推荐结果是不是真的符合自己的兴趣。在实际应用中，我们通过计算用户与推荐系统的交互次数，或者用户使用推荐理由找到心仪物品的耗费时长，作为衡量推荐理由高效性的量化标准。
-
说服力:给出推荐物品的正面信息以打动用户，改变和强化用户对此物品的正面观点，使其接受推荐结果并进行点击、收藏或者购买等行为。说服力通常是从推荐系统或者销售方的角度出发，目的是获取更多利益。不过说服力和用户信任度是推荐系统需要权衡的两方面因素，过分追求说服力有可能会削弱用户的信任程度。
-
满意度:满意度是推荐理由设计的一个综合性指标，是针对整个推荐流程而言的。推荐理由使推荐结果看上去更加友好，提供更多的参考信息，极大的改善了用户体验。
-
产生方式
- 白盒模式：透明性是推荐理由设计的重要指标。在白盒模式中，推荐理由能够直接反映推荐系统生成推荐结果所使用的具体方法，具有良好的用户体验。
- 黑盒模式：黑盒模式隐藏了推荐过程的实现原理，会使用户体验有一定影响。采用黑盒模式的原因，主要包括基于保密原因不愿公开实现细节，或者是计算方式过于繁琐复杂，缺乏简洁直观的推荐理由使用户能够一目了然。
-
采用信息
-
用户画像：生成推荐理由时考虑到用户的个体特性，譬如说基于用户的人口学特征、用户偏好以及用户的行为特征。
-
物品信息：推荐理由的生成依赖于物品的特定信息。
-
替代商品：推荐理由中包含了对替代商品的评价意见。
-
-
推荐算法: 推荐系统的主流算法包括基于内容的推荐，协同过滤，和基于知识的推荐，对于不同的算法推荐理由有相对应的展现形式。
- 拼凑一些描述推荐物品优点的句子，通过这样的方式就可以产生物品的推荐理由。但是如此机械生硬的做法很容易让用户产生消极厌倦的情绪，难以获得用户对推荐系统的信赖。
- 无论是 CF，matrix factorization 还是 feature engineering, 基于统计机器学习的推荐算法基本都是“黑盒”模式的，虽然我们可以抽取出类似“75%购买了 A 商品的用户还购买了 B”，或者“影响购买 A 商品的因素是 F1，F2 和 F3” 这样从数据的角度来看很有说服力的结论，但这些是数据上的关联，相关性不等于因果性，相信大家都明白这个道理。用户对推荐理由的诉求是知其然还要知其所以然，而算法上，我们仅仅做到了前半部分。
- 无论怎样拼接和构造推荐理由，它看起来都像是机器产生的，远达不到朋友之间的推荐那种自然而然的效果，更像是个蹩脚的店员徒劳的向你推销些你早已知道的东西。推荐理由，说到底，是个人机交互的问题，不够友好、自然的方式，不会起到太好的效果。
- 使用阿里云平台，每个算法单独设置一个场景；
- 做成对话式；
- 详情页面增加推荐理由和不推荐理由，用户写入，根据点赞数排序。