难道我们都无法与这种感觉相关联吗？到达Netflix主页，却被看电影和收看狂欢的电影数量所淹没吗？ 由于我们提供的所有选择而变得优柔寡断，可能更具娱乐性，教育性或某种意义上的价值。 令人不知所措，以至于我们真的会被困20分钟，而在队列中骑车试图做出决定……
但是，这种感觉并不是Netflix独有的。 在选择阅读，观看，聆听或做某事时，我们拥有无穷的可能性，而且看似微不足道的工具或服务也无法对我们的选择进行分类。 由于我们不断面临的选择之多，与我们真正想要发现和互动的事物建立联系的能力变得越来越具有挑战性，但变得越来越重要。
当然，我们可以向朋友征求建议，可以查看综合评分，还可以浏览特定于域的平台，但是很少能找到在特定时刻特别适合我们的最佳选择。
这就是为什么我们需要深度个性化的推荐系统的原因。
如今，我们可以使用的选项数量呈指数级增长：Spotify上有数百万首歌曲可用，在线可流播的成千上万个节目和电影，数百家餐馆……需要“ 信息过滤系统 ”，更具体地说是推荐系统。
推荐如此普遍，以至于容易忽略了将推荐系统实际上整合到每个设备和平台中的无缝方式。
推荐系统在Wikipedia上被定义为“信息过滤系统”的子类，旨在预测用户对特定项目的评价或偏好 。 更重要的是，推荐系统是“发现引擎” 。 通过优化我们的个人选择，在大量工作中匹配我们的个人偏好，寻找完美的个性化匹配的工具来帮助我们。
但是，并不仅需要推荐系统来找到“大海捞针”。 现实情况是，在整个搜索“完美物品”的整个过程中，我们需要一些建议，以减少焦虑，让他们不仅要专门寻找物品，还要真正地“寻找”它。
在“发现”我们自己完成的工作的意义上，可以澄清“寻找”与“寻找”之间的混淆，这是人们下定决心的最后一刻。 我们很少收到一个建议，只有一个精选的建议清单，然后我们决定。
我之所以说在寻找物品时不那么焦虑或更快乐，是因为这样的命题和物品过多会引发真正的困扰。 这种触发被称为“选择悖论” 。 美国心理学家巴里·史瓦兹（Barry Schwartz）于2004年在《选择的悖论—为什么要少得多 》一书中首次提出，他辩称， 过多的选择首先会使消费者麻痹，但更重要的是，这会引起焦虑和沮丧。
现在有几本书籍和杂志致力于所谓的“ 自愿简单 ”运动。 它的核心思想是我们有太多的选择，太多的决定，很少的时间去做真正重要的事情。 […]照顾我们自己的“愿望”并专注于我们“想要”做的事情并不能使我成为解决过多选择问题的解决方案。 — 巴里·施瓦兹
这使我们回到了“ Netflix主页”的情况。 人们常常因选择而瘫痪，需要更多个性化设计的建议。 另一个因素是担心做出“次优的选择”。 正确的项目FOMO（害怕错过）使人深感沮丧和不满意。
这些现象的具体说明可以通过这些简单的指标给出： 全球Netflix用户平均 每天 花费 21分钟 或每年126小时来寻找观看的节目 。
这就是为什么个性化推荐系统首先具有意义的原因。 通过将大量与一个用户相关的项目过滤掉，它首先消除了噪音，减少了焦虑，减少了挫败感，并真正为我们提供了在相关项目中做出决定的机会命题集。
但是，如果向我提出建议，是不是已经根据我独特的口味和喜好量身定制了建议？ 为什么我坚持“ 个性化 ”方面？
为了回答这个问题，我们需要考虑一种更数学的推荐系统方法。
协同过滤
通常，推荐系统最常用的数学方法是“用户项矩阵分解”，或更常用的“协作过滤”或“社交过滤”。
协同过滤通过利用他人的品味来过滤信息。 它基于这样的想法，即过去对某些项目进行评估的人可能会在将来再次达成一致。 例如，一个想看电影的人可能会要求朋友的推荐。 一些兴趣相似的朋友的推荐比其他朋友的推荐更受信任。 这可以用“ 与您喜欢的口味相同的人，所以您也会喜欢 ”的句子来概括。
但是，滥用这种方法的整体后果（像大多数企业一样）会产生比我们想象的更大的影响。 个人在数学上表示为一个组，而各组则表示为质量。 一系列的聚类逐步引导算法 根据我们与其他用户的相似程度（而不是使我们与众不同的原因） 来 提供建议。
Netflix就是这种集群化的一个令人信服的例证，其中“ 通过该平台的推荐系统发现了人们在Netflix上观看的电视节目的80％以上 ”。 在特定情况下，推荐是将用户分为2000个不同口味组的结果。 换句话说，对于Netflix的总订户基础（大约2.5亿活跃个人资料），这意味着一个用户代表的人数类似于250m / 2,000〜125,000个其他个人。
语境的重要性
我们独特性的另一个考虑因素是上下文。 都是相对的，不是吗？ 最简单的例证是考虑自己，并查看上下文变化如何影响您的决定和愿望。 例如，您早上听什么音乐，晚上听什么音乐？ 它们是相同的，还是一天中的时间和事件会影响您的决定？
情绪，天气，温度，睡眠，情绪等……所有这些因素都是理解和预测您在某一时刻可能想要或需要的东西的关键要素。 但是， 企业和媒体平台仍未对其进行全面考虑甚至认可。
根据我们与邻居共享的相似性，我们现在已经成为算法上的代表，而且还被剥夺了背景知识……
唯一性在哪里？
如果我知道目前没有办法完全了解我的身份，那么一个服务人员怎么能声称今晚为我找到最好的电影？
要求“个性化推荐”的需求等同于评估和承认我们作为人类，个人所具有的独特性的需求 。
因为没有它，恶性循环就会因这些相互作用而产生，从而产生诸如“滤泡”之类的问题，从而阻碍自我发展和探索。 许多推荐引擎通过委托人代理问题在道德风险区域中运作：与利润和成瘾性有关，它们根本不顾及用户的长期最佳利益。 因此，通过退出这场斗争，与每天向我们交付的推荐平台的平庸性保持和平，我们暗中表示同意。 我们同意“您（媒体服务）正在创建并呈现给我的内容将满足我一时的嗜好”。 这些平台的目标是创建和推广可以满足大众而非我们自己的东西。 通过不要求更好，不重新声明自己的身份，我们暗中同意被视为这一群体的一个组成部分，而不是一个个体。
出于所有这些考虑，Emile Contal博士和我本人共同创立了Crossing Minds 。 我们的职业生涯一直致力于开发与上下文相关的，优化的推荐器系统，以便在最合适的时间为用户提供最佳的个性化推荐。 通过用户筛选，项目筛选，内容筛选，深度学习和迁移学习，该公司开发的推荐系统力图展现每个用户独有的最佳推荐，而不仅仅是针对“像您这样的用户”。 那是公司的承诺。
目前，我们正在接受hai的抢先体验计划的注册，我们的首次体验是为您喜爱但尚未发现的媒体提供最佳建议。
要签出，可以在这里注册 。
感谢您的阅读！
