Netflix的科学家Harald Steck在RecSys 2018上发表了一篇很有意思的论文“Calibrated Recommendations”（http://t.cn/E5HTjnG），讨论了一个推荐系统里的一个有意思的问题，那就是利用“准确率”（包括以排序准确率为主）为指标的推荐系统会“惊人得”推荐太过于相似的物品，超过原本应该有的比例。

文章举了一个简单的例子。对于二分的分类问题的时候，如果大类的数据点占全部数据的70%，小类占30%。如果没有任何其他信息，那么“准确率”最大化的分类方法就是默认所有数据点是大类，则准确率是70%。然而，预测所有数据是大类，也就是100%的数据是大类，并没有符合，或者说是距离原本的数据分布（70%比30%）相去甚远，因此造成了结果的失真。作者提出，需要进行一步"校准“（Calibration），来让最后的结果更加符合数据真实的分布。

这一方面的话题和最近一两年关于机器学习的”偏差性“（Bias）和”公平性“（Fairness）有着天然的联系。推荐大家阅读。