以“協(xié)同過濾”推薦機制為核心，網(wǎng)站并不需要做出如同“What to Rent”的“性格-產(chǎn)品”匹配，而只需要了解“用戶都在同哪些人進(jìn)行交往”、“用戶加入了哪些組群”、“用戶都在看誰的頁面”這樣的問題，然后根據(jù)“物以類聚、人以群分”的思路為用戶推薦他的伙伴都感興趣的事物。

第一代的協(xié)同過濾技術(shù)，又被稱為基于用戶（User-based）的協(xié)同過濾。基于用戶的協(xié)同過濾，基本原理是基于用戶行為選擇的相關(guān)性。

協(xié)同過濾的核心問題是尋找與目標(biāo)用戶興趣相近的一組用戶。這種相似用戶通常被稱為最近鄰居（Nearest Neighbor）。用戶之間的相似度是通過比較兩個用戶的行為選擇矢量得到的。于是第二代基于內(nèi)容項（Item-based）的協(xié)同過濾技術(shù)就產(chǎn)生了。與基于用戶的技術(shù)不同的是，這種方法比較的是內(nèi)容項與內(nèi)容項之間的相似度。 Item-based方法同樣需要進(jìn)行三個步驟獲得推薦：

1）得到內(nèi)容項（Item）的歷史評分?jǐn)?shù)據(jù)。

2）針對內(nèi)容項進(jìn)行內(nèi)容項之間的相似度計算，找到目標(biāo)內(nèi)容項的“最近鄰居”。

3）產(chǎn)生推薦。這里內(nèi)容項之間的相似度是通過比較兩個內(nèi)容項上的用戶行為選擇矢量得到的?；谟脩舻耐扑]系統(tǒng)相比，基于內(nèi)容項的推薦系統(tǒng)最大的改進(jìn)是更具有擴展性?；趦?nèi)容項的方法通過計算內(nèi)容項之間的相似性來代替用戶之間的相似性。

不論是第一代的基于用戶方法，還是第二代的基于內(nèi)容項方法，都不可避免的遇到數(shù)據(jù)稀疏的問題。

基于內(nèi)容和基于協(xié)同過濾兩種方式的區(qū)別

無論從用戶還是服務(wù)提供者的角度出發(fā)，這兩種推薦方式都有各自明顯的優(yōu)劣。如果采用“基于內(nèi)容的過濾”，那么在完成內(nèi)容和用戶互相匹配的過程中，就可能出現(xiàn)“越讀越窄”、“越聽越窄”、“越看越窄”的問題，提供的內(nèi)容完全與用戶興趣點相吻合，而沒有發(fā)散。

“協(xié)同過濾”在很大程度上避免了這個問題，但是他需要用戶達(dá)到一定數(shù)量級之后才能發(fā)揮出網(wǎng)站創(chuàng)建者預(yù)想的效果，這種“網(wǎng)絡(luò)效應(yīng)”使得同一市場上的后來者很難找到切入的機會。而用戶一旦不能得到“好處”，可能迅速離去，而來不及提“利他”的后話。

3.基于實時行為的推薦

目前流行的實時搜索開始了這方面的研究。

推薦引擎需要面對的問題

1.數(shù)據(jù)匱乏

2.應(yīng)對數(shù)據(jù)變化

因為核心算法是對歷史數(shù)據(jù)的統(tǒng)計，所以偏愛老數(shù)據(jù)，而新的變化難于及時體現(xiàn)，所以難于跟上時尚潮流的變化（pastbehavior [of users] is not a good tool because the trends are always changing），同時原文指出：在變化很快的時尚領(lǐng)域物品推薦方式不太奏效，因為單個物品的特性太多而且隨時間變化，所以，社會化推薦也許更有效。

3.應(yīng)對用戶喜好的變化

用戶每次使用同一個系統(tǒng)（例如，Amazon）的目的不同，所以推薦算法也許會迷惑。但是，本人認(rèn)為通過長時間的采集用戶的行為數(shù)據(jù)，某個用戶的消費傾向還是能夠把握的，本人使用當(dāng)當(dāng)網(wǎng)購物時就體會到它的推薦還是比較貼合我的口味的。

4.個別物品的特性具有對立的多面性

有些物品，在同一個物品身上能夠發(fā)現(xiàn)不相容的特性，主要在文化基因和個人喜好方面，這類物品很難推薦。

5.計算很復(fù)雜

要面對的問題有：原始數(shù)據(jù)量巨大、需計算的參數(shù)很多，因此計算很復(fù)雜。個性化數(shù)據(jù)

6.個性化數(shù)據(jù)是關(guān)鍵，而這些數(shù)據(jù)一般都是結(jié)構(gòu)化數(shù)據(jù)。

基于Amazon研究

據(jù)稱，Amazon 有35%的頁面銷售源自于她的推薦引擎。

Amazon的推薦引擎，是一個需要用戶一定參與的系統(tǒng)，用戶的輸入將對推薦的內(nèi)容起到指導(dǎo)作用；如果指導(dǎo)有方，則會提供更符合個人品味的推薦。

她會記錄你已在Amazon購買的歷史、你最近的瀏覽歷史（根據(jù)活躍度調(diào)整，可拒絕此類跟蹤），并需要主動告知引擎你對某些商品的打分（此打分不同于評價，只用于推薦引擎、且對他人不可見），和你已擁有的商品（用于排除這個推薦）。根據(jù)這些數(shù)據(jù)來做出判斷

另外，Amazon的推薦引擎并不只有這一塊內(nèi)容，在瀏覽、tag、商品頁面都有很多推薦，可以說推薦無處不在。從她的功能點來看，似乎可以分為三塊內(nèi)容：以人為著眼點、以物為著眼點以購物過程為著眼點。同時還采用了跨類推薦，對不同類的按熱度排列。

基于豆瓣的研究

大家可以看這里http://www.slideshare.net/clickstone/ss-2756065。

基于八音盒的研究

八音盒（www.8box.cn）是一個基于音樂分享及偏好而建立起來的SNS服務(wù), 利用多年積研發(fā)的推薦引擎，8box能幫你找到可能喜歡的音樂，幫你分析出哪些用戶是你的音樂“同好”。八音盒通過你推薦、試聽、打分、評論音樂的過程，學(xué)習(xí)你的口味，并依此幫助過濾出你喜歡的音樂。發(fā)現(xiàn)音樂的最好途徑是通過你的同好。八音盒能夠根據(jù)你的口味，推薦相似的用戶給你。應(yīng)該說“個性化推薦引擎–IntelliProvider”是音樂八音盒的技術(shù)基石。

簡單的來說，8box推薦音樂的依據(jù)有三種：

1.依靠音樂本身的屬性信息判斷音樂的相關(guān)性，做出推薦。

2.依靠聽眾對這個音樂的評價和反映來推斷音樂的相關(guān)性，做出推薦。

3.依靠分析用戶的行為，發(fā)掘出用戶的音樂同好，從而做出推薦。

基于遺傳學(xué)的推薦系統(tǒng)-潘朵拉（Pandora）

音樂染色體組項目的 推出，目的在于把音樂解析成為最基本的基因組成。它的基本想法是：我們因為音樂的某些特性喜歡音樂－－那么為什么不能根據(jù)音樂的某些相似之處設(shè)計出一套推 薦系統(tǒng)呢？這類推薦系統(tǒng)應(yīng)該屬于基于產(chǎn)品的推薦。但具有深刻創(chuàng)新意義的是，產(chǎn)品（音樂產(chǎn)品）的相似性，通過“基因”組成來衡量。

這種“即刻滿足感”是很難抗拒的。因為pandora 了解音樂相似性背后的因素，它不需要了解用戶的好惡，就可以把用戶黏住。確實，pandora 需要把握用戶的口味或記憶－－但這正是蘊藏在音樂本身的dna中了。當(dāng)然pandora有時并不完美，會播放不對用戶口味的音樂。但這很少發(fā)生。

基于標(biāo)簽的推薦系統(tǒng)-Del.icio.us

非常簡明的推薦系統(tǒng)，它指基于一個基因－－那就是一個標(biāo)簽。

總結(jié)到這里，要是有這方面的技術(shù)人員交流就好了?。?！

來源：http://www.xisoo.net/2010/01/12/csi/