推荐系统分享

这个资料分享主要分享的都是非学术的Paper，都来自商业公司，Google, YouTube, Amazon, LinkedIn等等。

我个人非常喜欢这些文章，基本上，这些文章描述的都是在系统中的实际能工作的东西。

这个是Google的一篇论文http://t.cn/zl0zxPZ这个里面有很多有意思的想法。

1. 推荐的结果是三个算法的融合，即MinHash, PLSI, covisitation. 
2. 融合的方式是分数线性加权
3. 一个主要的思想是“online”的进行更新，所以这个地方一定要减少规模，索引使用了User Clustering的算法，包括Min Hash和PLSI。
4. 在新数据来的时候，关键是不要去更新User Cluster，而是直接更新所属的Cluster对于URL的点击数据
5. 对于新用户，使用covisitation的方法进行推荐

这个是上一篇Paper的进阶paper。 http://t.cn/zl0zqDO

1. 这篇Paper在上一篇的基础上增加了一些内容，主要包括Topic部分的内容，Google News是有Topic信息的。
2. 这篇Paper通过用户喜欢的Topic这个信息以及Topic Trend这个信息一起进行分析。
3. 热门的topic会被更多的展现给用户，其中用户只会看到他喜欢的Topic
4. 这个方法和上面的方法相比，可能对于解决热门News的问题，有更大的帮助

这个是Youtube的文章 vdisk.weibo.com/s/fcbuu

1. 这篇Paper的的方法更直观，它只使用了covisitation的信息，但是对于covisitation的方法做了N次扩展，即找一个Seed的多次邻居。
2. 在这个的基础上，做了一些后处理的工作，尤其是Diversity的工作

这个是对于Amazon商品推荐算法的一个Paper的翻译版

http://blog.sina.com.cn/s/blog_586631940100pduh.html

   这个Paper比较老了，但是是item-Based推荐的经典文章了。

这个是IBM的两位同学对于推荐的一个综述，属于入门级的，看看也不错。 

    http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html

这个比较有营养，是高级货，是LinkedIn的兄弟们在KDD2012上发布的，有用！进阶以后值得看看，尤其是搞真系统的。http://t.cn/zl0ZTN1

这个更是高级货了，Recommendations as a Conversation with the User 

这个的角度更多的是推荐系统的HCI设计，前面是一堆哲学，看不懂可以跳过，后面的例子还是比较给力的。有几个数字很给力：

Amazon: 35% of sales result from recommendations 

75% of Netflix views result from recommendations