1.2.2　长尾效应

尽管数据在快速增长，但目前大部分个性化推荐系统还是更注重热门的、受众广泛的项目的推荐，忽略相对冷门的、非主流的项目的推荐，这就是著名的“长尾效应”（long tail effect）[2] 的表现。长尾效应是信息不对称的重要表现：少量的数据占据了大多数的流量，大部分数据的使用率相对较低。在商品供需领域，长尾效应表现为商品提供方很难找到合适的商品需求方，而商品需求方也很难找到真正需要的商品。著名的帕累托法则（Pareto principle）[3] 能较好地解释长尾效应。

[2]　长尾效应是由长尾（long tail）一词引申而来的，是克里斯•安德森（Chris Anderson）在2004年10月发表的《长尾》一文中最早提出的，用来描述诸如Amazon和Netflix之类的网站的商业模式。

[3]　帕累托法则，又称二八定律，是意大利经济学家维尔弗雷多•帕累托（Vilfredo Pareto）于1897年发现的一个规律：任何一组事物中重要的因素通常只占20%，其余的80%尽管是大多数的，但是次要的。帕累托法则在经济学、管理学领域具有广泛的应用。

某电商平台的销售长尾效应曲线如图1-4所示，纵坐标表示商品需求量，横坐标表示按热门程度进行排序的商品种类。从图中可以看出，曲线的头部表示热门的商品，它们的数量相对较少，但单个商品的需求量较大；冷门的商品分布在曲线的尾部，单个商品的需求量小，但数量较多，反映在平面坐标轴上就像一段长长的尾巴，所以这种效应被称为“长尾效应”。

图1-4　某电商平台的销售长尾效应曲线

但是，随着电子商务的兴起，信息的传播变得更加快捷、高效。通过各种互联网渠道的传播，商品的销售不再受实体店销售空间的限制，几乎所有的商品都有机会售出，那些被实体店忽略的非主流商品引起人们的关注，冷门商品中也会出现爆款，使得企业逐渐关注那些零散的、非主流的商品所占的市场份额，不断通过差异化的销售方式实现企业盈利的最大化。处在长尾效应曲线尾部的商品，可能存在更高的用户黏度。如何为大量的、具有不同需求的用户提供非主流的商品呢？其关键在于“个性化”。为让用户获得符合自己兴趣爱好的小众、非主流的商品，需要使用优秀的个性化推荐系统。

传统的推荐算法一般将用户的评价作为主要的用户特征，因为热门商品受到大部分用户的关注，被购买的次数和收到的评价较多，所以最后的推荐结果经常集中在热门商品中。这样的推荐算法无法体现个性化的特性，得到的结果也并不令人满意。在实际应用中，很多行业的热门商品不一定是利润最高的商品，这就需要采取推荐算法针对用户给出更加精准的个性化推荐。

在推荐系统中，长尾问题不仅包括长尾用户，还包括长尾物品，因此采取什么推荐算法，实现对长尾物品的推荐，是一个非常具有挑战性的问题。本书将引入热门物品惩罚因子，降低热门物品的评分权重，缓解长尾效应。