纽约有场科技爱好者聚会，有人打开一款海外美食APP，想找家正宗意大利餐厅，结果推荐出来的店铺明显偏了，有人觉得就是小误差，也有人觉得，这就是推荐系统最容易暴露的问题很会给答案，可未必真懂你要啥。

这类偏差可不稀奇

推荐系统经常依靠距离、热度、评分、点击率、相似用户行为这类指标，而这些指标都挺好算的，可不一定就等于好吃合口味或者符合场景，推荐系统最拿手的，通常不是去判断对错，而是把最容易量化的东西放到前面去。

推荐产品最怕的，不是少给答案，而是给出太多看上去合理、实际没有判断力的答案。

纽约这一回引发热议，是因为场景特别有代表性，当地餐饮的选择挺多的，用户口味差别挺明显的，而且科技爱好者对新功能反应很灵敏，偏差自然就更容易被放大，原本就只是推荐有点偏差的小问题，很快就升级成更尖锐的质疑，这套系统，到底是在帮用户找到好店，还是在替用户做过度简单化的选择

有用户举例子说，自己本来是想找意大利菜，结果却被推荐到一家风格比较混搭、评分还比较高、但明显离正宗更远的店。单从算法来说，这家店不一定错，单从体验来说，这个推荐就是跑偏了，问题不只是结果不准，而是“判断标准错位了。

推荐系统说白了就是在做概率匹配，依据大多数人的行为，推送一个更有可能被接受的结果，但在美食、旅行、酒店、路线这类强场景当中，用户想要的不只是多数人觉得还行，而是在这个场景下真的合适，算法能提升命中率，但这不等于能取代判断力。

这也正好把两类人分开。技术派会说，先把推荐面铺开，再慢慢修正模型；体验派会说，如果一开始就把“正宗”推荐歪了，后面再修也只是补救，不是升级。

我觉得吧，这类功能最大的短板不是不够智能，而是太擅长平均化，它能很快给你一大堆答案，可很难告诉你，哪个更贴近你真正想要的那一个。

用户之所以敏感，是因为很多人默认算法应该懂场景、懂偏好、懂自己。一旦推荐偏了，用户感受到的不只是“没找对店”，而是“系统误解了我”。

所以这件事看起来像一次推荐失误，实际上更像是推荐系统判断标准的暴露。它一旦进入真实生活，就不只是信息排序工具，而是在替用户做价值判断。一旦产品开始替用户判断，就不能只追求“像对的”，还要尽量接近“真的对”。

往大了看这件事情，好多科技产品都在犯差不多的错，一门心思想着证明自己更快、更准、更懂你，却忘了用户真正留下来的缘由通常是它在关键场景里不乱给答案，推荐可以是工具，可是当它进入强场景的时候，效率和判断可不能只选一个。

现在这款APP官方还没回应，可争议已经出现，只要推荐系统用到真实生活里，用户就不会只问能不能用，还会接着问凭啥这么推荐，你更愿意要个反应比较快但偶尔跑偏的系统，还是要个慢一点、但更接近正宗的系统