推荐系统应用研究：网上书店

除了分类查找和主动搜索，推荐系统也是用户浏览商品的重要途径，能帮助用户发现类似并感兴趣的产品，增加商品的访问量，将访问者转化为购买者，引导用户购买。最终产生的价值是提升用户购物体验和用户粘度，提高订单量，如Amazon30%的订单来自推荐系统。

相比于精准营销广告，推荐系统产生的信息更为自然，同样能起到推销商品的目的。但是如果推荐系统的信息过于密集或者不精准，也会有成为垃圾信息之嫌。如在当当网已登录情况下查看《Web信息架构：设计大型网站》，边栏和底部有以下几种形式的推荐系统：

1. 购买本商品的顾客还买过
2. 浏览本商品的顾客还看过
3. 看过商品的顾客会买
4. 浏览更多同类商品
5. 您的浏览历史
6. 最佳拍档
7. 广告
8. 和您兴趣相似的顾客还关注

推荐系统中存在重复得数据，如1、2和6都推荐《About Face 3交互设计精髓》，并且个人已经购买了这本书。喜欢的歌曲可以重复播放，已购买的书籍不可以重复推荐，而是把用户的购买记录作为主要的推荐依据。重复的数据会削弱推荐的有效性，过多的推荐形式和数据会大大稀释推荐的精准度。

个人曾是当当的忠实用户，已在当当网下过27次订单，购买过90本图书，推荐系统对购买的帮助几乎可以忽略不计，也没有对个人的购买记录加以利用。在购物车页面准备下订单时登录当当网，页面会跳转到首页，在下订单页面点击返回也会经常出现订单丢失的情况。

当当网的送货进度时间平均4-5天，下订单之后可以查看送货的进度。根据个人的设计经验，一般是明显让用户感觉到慢或者操作步骤多的时候才会使用进度条，稍微缓解用户的等待感，而卓越明确告知用户货物会在哪天送达。

由于嫌弃当当送货太慢，改用卓越，在未登录情况下查看《Web信息架构：设计大型网站》图书页面，突出显示“购买本商品的顾客还买过”，共推荐100本书籍，约50本是个人感兴趣或者已在当当网购买过的。由于主要使用一种形式的推荐，很好地避免了重复数据。

“购买本商品的顾客还买过”比“浏览本商品的顾客还看过”更能获得用户的信任，其使用的是item-to-item协同过滤系统，通过余弦计算商品的相似度来推荐，比起传统的协同过滤（Collaborative filtering），解决了冷启动的问题，不会过度地依赖用户的浏览和购买记录，在用户第一次查看图书时也能进行推荐。

鼠标停留在当当网推荐的书籍上显示的书籍封面图片和价格，而卓越显示书籍的评分、评价人数和价格，按照用户购买商品的过程，书籍的评分更能吸引用户浏览并产生购买欲望。

卓越的邮件中会带有图书推荐，图文并茂提供了有用的信息，并不会被个人当成垃圾邮件，看到感兴趣的数据可以查看或者直接购买，非常方便。而当当以文字形式邀请评论，收到第一份的时候会打开看看，其余30份内容一样的邮件直接被当成垃圾邮件删除。

两个网站的广告可以更精准些，没有按照书籍的标签相应显示广告，购买计算机类的书籍多是男性，当当网显示标签为女性的胸罩广告，卓越网显示高跟鞋和女性内衣的广告，也许能分散男同胞的注意力和点击次数，但是不会增加广告的转换率，显示数码产品的广告会更适用在此类图书页面。

重复和垃圾信息损害用户体验，推荐的信息在于精确和有用，不宜过多地显示。