论文选读：Comparing Recommendations Made by Online Systems and Friends

一篇比较来自朋友的推荐和来自RS推荐的文章，没有实验，没有公式，没有编程。

摘要：选取六个在线推荐系统（三个书籍，三个电影），结果显示朋友提供更好的推荐，但是RS更能提供一些有用的，意想不到的推荐。调查显示用户不介意提供更多的信息去获取更好的推荐。推荐一些用户以前喜欢过的物品会增加用户对系统的信任感。新奇性是传统推荐的任务，而意外性则是推荐发展的一个新方向

假设：相对于RS，用户更喜欢来自朋友的推荐，因为朋友了解用户，知道其喜好（被推翻）

自变量：推荐来源  Item领域  系统本身

评价指标：

      1. 好的推荐

• 有用的推荐：用户感兴趣的，以前未知的，用来在以后的使用的。

• 可信的推荐：用户以前喜欢过的，对用户来说没有太大价值，增加用户信任感。

• 综合满意度

• 时间因素：包括注册时间和收到推荐的时间。

  
  

  2. 人机接口：

• 要求用户输入信息，评分的item数量（用户冷启动的情况）

• 推荐列表展现方式

• 屏幕展现方式，导航，操作，颜色等

实验过程和结果：see detail in paper

设计RS的建议：

1.  Users don't mind rating more items initially to receive quality recommendations.

2.  Allow users to provide initial ratings on a continuous rather than binary choice scale.

3.  Provide enough information about the recommended item for user to make a decision.

4.  Provide easy ways to generate new recommendation sets.

5.  Interface matters, mostly when it gets in the way.

有一届RecSys会议，一位学者在做KEYNOTE的时候也提出了设计推荐系统的十点建议。

RECSYS 2009 KEYNOTE: TOP 10 LESSONS LEARNED DEVELOPING, DEPLOYING, AND OPERATING REAL-WORLD RECOMMENDER SYSTEMS

Comparing Recommendations Made by Online Systems and Friends Rashmi Sinha and Kirsten Swearingen

下载地址：http://onemvweb.com/sources/sources/comparing_recommendations.pdf