挑战一：数据稀疏性

千万级用户*千万级产品，遇到两个人买了同一个产品的概率

重复性越低，稀疏性越高

挑战二：冷启动问题

1.新用户因为罕见的行为信息，很难给出精确的推荐
2.新产品因为选择次数很少，也很难给合适的用户推荐

解决办法：
1.打标签（给用户和产品打标签）
2.建立评价体系
3.利用交叉推荐和社会推荐

挑战三：大数据处理和增量问题

在百千万级的基础上，新产品、新用户同样源源不断的进入系统，怎么保证推荐的时效性？

• 以某极小系统：
• 用户数50人
• 产品数10000个
• 二维表示≈50万
• 遍历用户关系50亿次（暂不考虑算法优化）
• 此时加入新产品（新改动）或新用户，可以想象运算量有多少

挑战四：多样性和精准性两难困境

• 多样性：推荐给出多种不同的口味
• 精确性：推荐给出用户喜欢的口味 用户的操作记录作用于推荐系统 → 推荐系统产生了局限性

用户的操作记录作用于推荐系统
→ 推荐系统产生了局限性

挑战五：推荐系统的脆弱性

为了使自己的推荐靠前，竞品的推荐靠后，有很多攻击性的评判

如上图所示：
是否会对用户h推荐商品7呢？
与h相似的用户为i-m
那么i-m用户均不满意商品7
所以h不会得到7商品的推荐

挑战六：用户行为模式的挖掘和利用

深入挖掘用户的行为模式有望提高推荐的效果
新用户：热门商品，老用户：小众商品
7点-8点在手机阅读的用户，一般不会在9点以后再阅读
对用户经常出没地进行推荐反而效果更差
频繁而不精确的推荐会使得用户有一种被窥视的感觉

挑战七：推荐系统的效果评估

概念提出几十年，效果评估依然是难题。
常见的评估指标：

挑战八：用户界面和用户体验

上图是对facebook页面浏览关注度的检测。

挑战九：多维数据的交叉利用

关系一：依存关系
关系二：合作关系
关系三：交叠关系（社会关系）

挑战十：社会推荐

社会推荐的挑战分为三类：
1.如何利用社会关系提高推荐的精确度
2.如何建立良好的机制以促进社会推荐
3.如何将社会信任关系引入到推荐系统中