[据韦思岸介绍，亚马逊的商品推荐包括5个数据维度，除了用户点击和搜索数据、用户评价、基于LBS的环境数据之外，还包括朋友间的社交数据，以及后台专家的人工调研与干预。“过去我们更多的是关注某一个结点它本身的一些特性。现在我们更多的是关注结点之间互相的连接。每个人都是互相联结在一起的。”]
当早年的爆款电商逐渐被这两年的个性化网购趋势掩盖时，千人千面的商品推荐成为平台标配，但眼下它只做出了一个雏形。
8月25日下午，亚马逊前首席科学家、大数据与机器学习研究学者韦思岸（AndreasS.Weigend）在IEBE（上海）国际电子商务博览会上接受第一财经记者专访时称，系统推荐本身不难，但如何评估推荐是一个难题，“当年我还在亚马逊时，《哈利·波特》出了续集，如果把这本畅销书推荐给所有亚马逊读者，可能很多人都会买，但显然这不叫推荐。”
这两年，经常网购的用户感受到个性化推荐的一个变化是，以前电商平台总是推荐给我刚刚买过的同类商品，比如刚买了一个足球，再浏览页面时广告位上出现的还是足球；现在推荐系统变得聪明一些了，它会主动显示球袜、运动背包、水壶等关联产品。
后台算法对大数据的关联分析发挥了一定作用，这其中要将某件商品的易耗程度与复购率特征数据考虑进去。
但和今日头条的新闻推荐、Netflix电影推荐等模式不同，电商平台上的商品数以亿计，相比之下，作为个体消费者浏览和购买的商品很有限。这样稀松的数据很难让平台十分精准地猜到你喜欢什么，预测你可能要买的商品就更难。况且，电商平台社区化戏份的不断增加，很多用户在手机上打开淘宝等可能只是漫无目的地闲逛，和线下逛商场走马观花并没有太大差别，这更增添了后台数据分析的难题。
据韦思岸介绍，亚马逊的商品推荐包括5个数据维度，除了用户点击和搜索数据、用户评价、基于LBS的环境数据（比如你在搜索某个商品时是在用餐还是在乘坐高铁）之外，还包括朋友间的社交数据，以及后台专家的人工调研与干预。
“过去我们更多的是关注某一个结点它本身的一些特性。现在我们更多的是关注结点之间互相的连接。每个人都是互相联结在一起的。”
很明显，社交数据对于平台推荐算法的权重正在增加。以大众点评、Yelp等餐饮类举例，如果用户在经过某地或主动搜索某区域的餐馆时，系统显示出其好友在某家餐馆留下的到访与评价数据，这对他的决策会产生很大影响。平时在线下选餐馆时咨询身边朋友的意见，本身就是一个高频而顺畅的场景。社交数据用到电商中，系统会将你朋友买过的商品与你本人之间建立关联。
对此，韦思岸打开自己手机上的Facebook，看到一串好友添加和推荐信息。“我可以看到某个推荐好友与我现有好友的关系，帮助我做出是否添加好友的决定，但在WeChat（微信）上是看不到其他人的好友关系的。”实际上，在中国最大的电商与社交数据分别被阿里和腾讯掌握，数据之间的开放打通并不容易。
眼下，不同用户看到的手机淘宝首页是不同的，用户在手淘搜索时产生的页面排序也因人而异。这其中既有后台算法的大数据分析，也有对平台流量去中心化的考量。2015年双11，淘宝后台顶住海量并发的大数据分析压力，在手淘App用户端实现千人千面显示。某服装品牌旗舰店店主陈迪称，2014年和2015年的双11都开设了千人千面会场，但他所经历的2014年千人千面会场转化率较低，到2015年转化率明显提升，背后的推荐逻辑得到优化。
除了搜索，店铺内显示也在向着个性化试水，以男装品牌JACK&JONES为例，不同用户进入旗舰店看到的页面展示和商品推荐不同。不久前，天猫电器城负责人印井对第一财经记者透露，全网目前有超过200家店铺尝试店铺内千人千面。用户的搜索关键词成为重要的分析数据，比如用户在购买热水器时搜索去噪音，表明其使用环境对安静需求度高。
但总体上看，电商的个性化推荐现在仍处于起步阶段，算法还远未称得上聪明。目前，谷歌会对某个用户在某页面上的停留时间进行分析，以猜测其偏好，大数据的获取维度正在以几何量级上升，但韦思岸认为，数据收集得越多，产生错误的可能性也会越大，也越考验算法。这中间存在一个数据筛选的博弈问题。
