推荐系统中重要却又容易被忽视的问题有哪些
推荐阅读时间：5min~8min 文章内容： 推荐系统中容易被忽视的问题有哪些
在个性化推荐系统中的绕不开的经典问题有哪些介绍了推荐下中不可避免都会遇到的问题，这里介绍一些不可忽视的一些内容。
推荐系统中有很多重要却又容易被忽视的内容，尤其是当你负责整个推荐产品的时候，这些内容是非常重要的。
推荐系统中的关键元素
一个推荐系统，有以下一些关键元素：
- UI 和 UE
- 数据
- 领域知识
- 算法
他们的重要性依次递减，权重大致是 4-3-2-1，结果是不是很让你震惊，你会发现算法的权重原来并没有那么大。
所以首先需要重视的就是 UI 和 UE，即人机交互设计和用户体验设计；推荐系统属于一个数据贯穿始终的产品，如果没有数据，相当于没有原料，所以数据的重要性显而易见；接下来是领域知识，也就是说某个领域的一些业务逻辑，比如电商平台的大多数用户更在意的是价格而不是兴趣，新闻资讯平台的大多数用户更在意的是内容的时效性；最后才是算法，算法其实能够左右的效果并没有一般人想象中的那么大，但也不是可有可无的。
目标思维和不确定性思维
推荐系统追求的是指标增长，背后思想强调目标和不确定性。
目标思维
如果了解机器学习的话，对目标思维应该不会陌生。机器学习中的监督学习模型一般都有一个学习函数，对这个函数输入一些特征，使用学习函数的输出结果与实际结果设定一个目标函数，然后不断迭代去使得这个目标函数达到最小值（或最大值）。
对于推荐系统也类似，推荐系统的学习函数输入的特征有很多，比如 UI、UE、数据、领域知识、算法等等，关注指标（目标函数）一般有电商GMV、视频VV、资讯阅读时间等，我们要做的就是提升这个目标函数。
目标思维建立在量化的基础上，首先需要量化的就是目标本身，不能只停留在“感觉推荐得不准”或是“感觉推荐的挺准”的这个层面。
不确定性思维
不确定性思维的意思是说不使用因果逻辑来提前推演，而是用概率的眼光去看结果。
比如出现了一个不是很合适的推荐，通常老板们会立即责问：“为什么出现这个”，这就是确定性思维在作祟，如果是不确定性思维，就会问：“出现这个的可能性有多大”。
为什么负责推荐系统产品的人要具备不确定性思维呢？
- 绝大多数推荐算法都是概率算法，因此本身就无法保证得到确切结果，只是概率上得到好的效果；
- 推荐系统追求的是目标的增长，而不是一城一池的得失；
- 如果去花时间为了一个 Case 而增加补丁，那么付出的成本和得到的收益将大打折扣；
- 本身出现意外的推荐也是有益的，可以探索用户的新兴趣，这属于推荐系统的一个经典问题：EE 问题。
以上的这些问题都是推荐系统中非常重要却又容易被忽视的问题。
点击这里领取BAT面试题 ==》：BAT机器学习/深度学习面试300题
作者：无邪，个人博客：脑洞大开，专注于机器学习研究。