この記事のオリジナル: ReadWriteWeb

今週アムステルダムで，レコメンデーションシステムに関心があるエンジニアを対象にRechedとよばれるイベントが開催された．イベントホスト会社によるプレゼンテーションで，それらの会社が効果的なレコメンダーシステムをつくるために克服しなければならない問題が挙げられた．

１．データ不足
Google, Amazon, Netflix, Last.fmなど，素晴らしいレコメンデーションをもつと認識されている会社が，多くのユーザデータを持っていることは偶然ではない．
よいレコメンダーシステムはまず，（カタログや他のフォームから）アイテムデータを必要とする．そして，それはユーザデータ（行動イベント）をキャプチャして分析する．そして，魔法のアルゴリズムがうまく働く．レコメンダーシステムがうまく働く上でより多くのアイテムやユーザデータは，よりよいレコメンデーションとするのに強いチャンスをうむ．しかしそれは"Chicken and egg problem"になりうる．よいレコメンデーションをゲットするには，大量のユーザが必要で，だからあなたはそのレコメンデーションのために大量のユーザをゲットするのだ．

2. データの変化
"OldのバイアスがありNewとみせる難しさがある"
例えば，ファッション狂のリソースとコミュニティを例にあげる．
"ユーザの過去の行動はよいツールではない，なぜなら，トレンドは常に変化するから．"　”単純に多くの商品アトリビュートがファッションにはあって，それぞれのアトリビュート（フィットするか，カラー，スタイル，繊維，ブランドなど）は同一のコンシューマでも重要度のレベルが異なるので，アイテムレコメンデーションはうまくいかない．”　ソーシャルレコメンダーはこの問題を解決するかもしれない．

３．ユーザの嗜好の変化
今日は，ある目的があってアマゾンをブラウズしている．でも，明日は違う意図を持っているかもしれない．こういう例が挙げられる．
ある日，私自身のための新しい本を見るためにアマゾンをみている．でも，次の日は妹の誕生日プレゼントのためにアマゾンをみているかもしれない．ユーザー嗜好のトピックでは，レコメンダーシステムは間違ってユーザをラベルしているかもしれない．

４．予期せぬアイテム
私たちのthe Netflix Prizeについてのポストでは，Netflixが彼らのレコメンデーションアルゴリズムを１０％増にするCollaborative filtering algorithmを開発したサードパーティーに$1 Million prizeをオファーしたとあったが，私たちはエキセントリック映画についてのイシューがあるとここで述べた．Napoleon Dynamiteのような人々が好きか嫌いか分かれるタイプの映画は，レコメンデーションを作るのが難しい．なぜなら，ユーザのリアクションが多様で予測不可能だからだ．

音楽はこういったアイテムでいっぱいだ．あなたは筆者がメタリカとカーペンターズの両方のファンだと予測出来るだろうか？わたしは，そのようなレコメンデーションがLast.fmが作っているということに対して疑問がある．

５．これって複雑！
これまで，アマゾンやNetflixのように高い顧客満足のレコメンデーションをもつ企業は一握りだ．しかしほとんどないサクセスストーリーに何百ものウェブサイトやアプリケーションが新しい商品やコンテンツを彼らのユーザにレコメンドするための魔法の公式を見つけるために苦労している．

６．他に何かある？
レコメンデーションシステムに起こりうる様々な問題が他にもあります．多くのレコメンデーションが，最大多数の人々に受け入れられているものであったり，ロングテールの物をサポートせず，分かりやすいアイテムしかレコメンドしないなど．

興味がある分野なので，個人的に翻訳というか意訳してみました．

Source: ReadWriteWeb