レコメンダーシステムは、インターネットリソースを使用するプロセスでの決定に日々影響します。 推奨事項の正確性やプライバシーなどの問題に大きな注意の開発と実装が払われていますが、推奨事項システムとユーザーの推奨事項との間の長期的な相互フィードバックは、本格的な研究の対象ではありません。
推奨はユーザーが新しい何かを見つけるのに役立つと広く信じられていますが、推奨システムの長期的な使用は、いくつかの要素の人気の驚異的な成長につながり、最終的にはユーザーの選択を狭めることにつながります。 これらの結果は、実際のシステムでのいくつかの研究で確認されています。
効果に気付かなくても、オンラインライフは推奨事項に依存します。 Netflix、YouTube、Amazon、Ozonなどの人気Webサイトは、ナビゲーションを促進するために、関連する要素を提供する機会を提供しています。 したがって、ユーザーの満足度の向上が達成され、重要なのは利益です。 今日では、「Xを選択した顧客もYを購入した」という最も単純なオプションから、 特異分解などの複雑なオプションに至るまで、さまざまな作業推奨アルゴリズムが普及しています。
多くのユーザーは依然として自動化された支援とは独立して動作していますが、推奨システムの使用は日々着実に増加しています。 推奨システムの主な機能は、顧客の要求を関連製品と照合する機能です。 このタスクは、ユーザーパターンを簡単に識別できない人気の低い要素にとって特に重要で困難です。 人気の低い要素を適切に調和させることは、電子商取引にとって重要です。 調査によると、Amazonでの売り上げの20％から40％は、最も人気のある製品ではありません。 商品をランク付けし、それらの売上を比較すると、多数のニッチ要素を含む長い分布の分布を持つ特定のスケジュールを取得できます。 多くの場合、最も人気のある製品と比較して、より高いレベルの利益をもたらします。
この点で、推奨アルゴリズムにより、長いテールを持つ隠れた配布リソースを識別できます 。 推奨事項は、さまざまな推奨要素を拡大し、ユーザーの注意をより均等に広げることで機能します。 ただし、現時点では、多くの一般的なリソースに実装されているアルゴリズムはその機能を完全には満たしていないため、人気の分布の裾が短くなっています。 同時に、最も人気のある要素が依然として総売上の大きな割合を占めています。 このような悪影響により、最終的にシステムのバランスが失われる可能性があります。
精度指向のメトリックに基づいて構築されたアルゴリズムは、その性質上、この動作を説明できません。 ただし、よく見ると、ユーザーの選択と推奨システムの逆の関係を見つけることができます。 この相互作用は、多くの物理システムで類似しています。 したがって、研究に物理的アプローチを使用することは非常に許容されます。
現在、推奨システムは、精度や多様性などの短期的な指標を達成するためにほとんどの場合調査されていますが、従来の推奨アルゴリズムを使用すると、ユーザーが少数の要素（製品）に注目する定常状態に到達することは明らかです。しかし、広範囲に分散していません。 言い換えれば、従来の推奨アルゴリズムは、最終的にユーザーの選択肢を絞り込み、情報の範囲を広げるのではなく低くします。
場合によっては、 ヒステリシス現象も観察されます。これは、システムが初期状態に大きく依存していることを意味します。 同時に、オンラインストア、アプリケーション、検索エンジン、ソーシャルネットワーク、およびメディアに対する現在の推奨システムの不足を示しています。 また、次世代の推奨システムの設計と実装における推奨システムの使用の短期的効果と長期的効果の間の必要な妥協について。 現時点では、ディストリビューション全体をより完全に使用することのメリットは膨大であり、オンラインビジネス全体にとって一種の予備金になる可能性があるため、この分野でより広範な研究に取り組む必要があります。