推荐系统中的推荐理由实现，有什么好的思路吗？

在美国亚马逊做推荐的时候，我们做过一些比较大胆的尝试，也是我自己看好的方向，虽然最后因为某些原因没有继续下去。我们那时做推荐是朝更人性化的方向，举些做过推荐理由的例子：

1. 推荐这部电影的原因是因为他得了Oscar。（根据过去发现你对得奖的片比较感兴趣）

2. 推荐Harry Potter第二集是因为你6天前买了第一集。（根据你过去看续集的习惯）

3. 推荐产品A是因为你朋友下周生日，而A是他喜欢的。（或许你可以买来送给他）

。。。等等。单独每个的覆盖率不会高，但转化率非常高。

每个物品都有它特殊的属性在，只要朝人性化的方向去想，挖掘一些比较有影响力的属性出来，对购买决策会有帮助。另，推荐应该是个一般人很可以容易理解的东西，这会影响用户的信任。

在我过去的个性化推荐实践经历里，一直认为显性的展示推荐理由是不那么“自然”、不那么有效的方式。这样的考虑主要是基于两个原因：

其一，无论是 CF，matrix factorization 还是 feature engineering, 基于统计机器学习的推荐算法基本都是“黑盒”模式的，虽然我们可以抽取出类似“75%购买了 A 商品的用户还购买了 B”，或者“影响购买 A 商品的因素是 F1，F2 和 F3” 这样从数据的角度来看很有说服力的结论，但这些是数据上的关联，相关性不等于因果性，相信大家都明白这个道理。用户对推荐理由的诉求是知其然还要知其所以然，而算法上，我们仅仅做到了前半部分。

其二，无论怎样拼接和构造推荐理由，它看起来都像是机器产生的，远达不到朋友之间的推荐那种自然而然的效果，更像是个蹩脚的店员徒劳的向你推销些你早已知道的东西。推荐理由，说到底，是个人机交互的问题，不够友好、自然的方式，不会起到太好的效果。

不过现在，我对这个问题的看法有些转变，过去几年 AI 领域的进展使得我们能够期待以更加“自然”、更加有效的方式来进行人机交互。说到这里插一句，CF 一直顶着经典个性化推荐算法的名头，但在我看来，它的实质其实是 collective intelligence，而非 personalization。如果我们能够以自然语言、对话的方式把待推荐的 item 传递给用户，那么就是真正的个性化的推荐，也是知其然而知其所以然的推荐。并且真正解决了个性化推荐的产品形态、用户认知、推荐理由等一系列问题。

这会不会是下一代推荐系统？