推荐系统的评分描述

　　比如，对一本书的评分，下面列出两个描述方式，前者是我所提倡的，括号里的是豆瓣现在采用的。

1分：我很不喜欢（很差）

2分：我不喜欢（较差）

3分：还行（还行）

4分：我喜欢（推荐）

5分：我非常喜欢（力荐）

　　一个显然的区别是：前者是从主观出发的，后者则主要是基于客观情况的。前者表达了自己对对象的喜好程度，后者表达的是基于自己的评判尺度下对象的质量好坏。

　　进而造成的区别是：从前者的情感诉求出发，得到的数据结果是反映对象之间类别的区别的；而从后者的情感诉求出发，得到的数据结果是反映对象之间质量的区别的。前者可以用来对对象进行分类，进而对人群进行分众；后者的分类只是对对象质量的高低分类。

　　在书籍领域上述现象不算明显，因为看一本书的成本很大，我在看之前已经作好了题材上的区分：我喜欢什么样的所以我才去看什么样的。而对于电影、新闻这种大众化的素材，这种现象会很明显。我已经观察到用收藏与否来替换打分作为计算依据，效果不会相差太多。这就是说，推荐系统变成一个0-1系统，分值已经没有产生太大的影响。

　　对于大部分用户，即使他不喜欢＜红楼梦＞，你提示说1分是“很差”，社会知识也会告诉他们不能这样做（以下衍生多种可能，请随意想像，比如1分变3分，比如收藏了不评分，再比如干脆不收藏了），但如果你提示说1分是“我不喜欢”，他会欣然而往。错误的解释系统会导致错误的推荐系统，尽管这似乎还不太明显，因为我们还没实现更好（没坐过宝马之前，每个人都会为夏利而欢呼，但我们需要进步）。

　　推荐系统里，解释是很重要的，这包括推荐后的解释，还有不太为人所关注的：推荐前的解释。

　　参考文献：http://www.wentrue.net/blog/?p=565