: : 大部份的人搜shoe之後會搜high heel，等等
: : 後來發現因為女生上網買鞋多，等於間接假設所有user都是女生
: : 假設同一個人，比較正確的說法是「personalization」不考慮
: 有點好奇實務上是怎麼考慮處理這些問題的
: 遇到無法取得個人資料的狀況
: 這樣推薦的結果常會差到不能接受嗎？
實務上來說，科學研究的提出的演算法未必能實際可行
很多演算法發表時只考慮準確度，沒考慮效能及實作的難易度
基本上除了頂尖的Search Engine像是Google/Bing之流
其它公司的Search "interface"其實根本很少考慮User Profile
因為技術上來說有困難
很多時候user 根本沒log in，user profile當然沒有辦法拿到
: 例如，若70%搜尋shoes的user是女生
: 若所有搜尋shoes的人都推薦high heels
: 可能有70%左右的推薦是準確的
: 剩下的30%也可能因為後續的搜尋而更加準確？
技術上來說我相信的
實務上，通常都是研究人員丟一個大檔案給production team
那個檔案基本上就是key value lookup
很多時候，好的解法丟到production team就直接被打槍回來
講好聽一點，只要需要動到code，就會得到列入下個版本(大修)時考慮
以production team的人來說，他們只希望你給data，不喜歡被要求動code
(但如要接user-profile取資料，再run你的code分析)
這幾年facebook /google比較流行小團隊
也就是演算法的提出者就是production的實作者
我覺得這樣是目前比較好的解法(自己提，自己搞)
解問題是快樂的
但實作他，寫一大堆testing codes，
然後debug，A/B test最後還要跟一大堆部份開會(連接介面/code)
很多研究人員(尤其是PhD)很不喜歡
可是實務上，有的東西是"實作"下去才會遇到問題 XD
理想：
Researcher --> Developer --> Testing --> Release
實情：
Researcher --> Developer --> Manager --> while(true) {meetings}
--> (throw an exception) --> 列入以後參考
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 131.179.64.104