SophieZhou的专栏

在家里，工作效率太低，就找了一些自己想干的事情做做。http://jamesthornton.com/cf/这里介绍和推荐了关于collaborative filtering的文章和文章的摘要介绍等。我查了前几篇的文章，引用率很高的。http://xlvector.net/blog国内做推荐系统挺牛的一人，哎，惭愧人家还算比我还低一届呢，其博客里有不少不错的发展状况介绍。一篇综述，从引用率上看，不错，就是有点旧了，不过还是觉得应该看看，对我这种门外汉来说：Towards the Next Generatio

开源的推荐系统有mahout, easyrec, duine，mahout看过一部分，觉得还不错，很有借鉴意义，而另外两个没看过，刚看到一个豆瓣的工程师的介绍，感觉对duine的介绍还不错。 http://www.wentrue.net/blog/?p=743 不过，目前打不开，真是TMD的郁闷啊。

周末看了百度知道的推荐系统文章，发表在了12年的rs会上。算法没什么创新，但是思路独特的推荐系统，没用item-based, user-based，而是用ctr模型。想了想，其实我们现有的工作可以很容易搭建一个类似的模型出来。 感觉吧，解决问题时，思路不能限制了，黑猫白猫能够逮到老鼠都是好猫，而且也不能被现有思路限制了，现在的方式怎么样不重要，重要的是问题是什么，什么方式可以更好解决，采

这几天看推荐系统，系统看了一下mahout的基于item-based的推荐系统。 大概因为我是一个编程菜鸟，所以对开源的东西，一直不怎么热心。我的关注点在算法上，不在程序上。这个玩意虽然听说那么久了，可真正去了解，也是最近。 感觉写的还是很不错的，至少开始时，如果你想在别人的代码基础上改改来用，这个还是很好的参考的。而且感觉现在mahout做的越来越普及了，都涉及到dirichlet了。再者，

http://www.wentrue.net/blog/?p=1181 http://tech.hulu.com/blog/2011/09/19/recommendation-system/ http://glinden.blogspot.hk/2011/02/youtube-uses-amazons-recommendation.html

转来一篇，本来想只转载地址的，可怕内容看起来不方便，作者也没说不可以转过来，于是把内容也转帖过来。来自：http://blog.youkuaiyun.com/lzt1983/article/details/7914536，有兴趣的可以到原博客去看看，真是辛苦博主了。 最近在做一个推荐的任务，头绪繁多，回头看看同行的工作，希望能有些帮助。 零零碎碎看过好多资料，有些已经忘记了，会慢慢补全

计划先用简单的LU分解来做一下，跑一下，反正最后数据能够将纬度降低到K个，相对于large data ，编程几百维的已经很不错了。所以，先用LU分解实现看看。 另外，当维度很高时，怎么办呢，要用迭代的办法，NO上讲了，可是我总是觉得不是最佳方法，因为我的矩阵不是正定的，问了一下同事，给了个资料，备注一下，以后参考吧，看来iterative的方法还不少呢。http://www.stanfo

可以参考一下博客：http://somemory.com/myblog/?post=19 我觉得总结的很好，所以转来一下。

找整块时间，实现一篇推荐文章。加油。

休病假两周，吼吼，工资是直线下降啊，上班不觉得工资多，可一旦请假，你会发现扣钱扣的真心多，吼吼，本来以为病假会打折扣的。不过，有些时候吧，不管福利如何，该休息的还是要休息。 言归正传，在家里休息两周，看了看推荐系统实践。作为门外汉谈谈感受吧。 虽然一直关注推荐系统，看过几篇论文。但是还是门外汉吧，没有实践过，所以其中的各种问题都是感受皮毛。这本书对我这种门外汉还是提供了很多信息

我们经常会看到，很多文章在对数据做聚类或者分类，也就是说从数据中抽取出主题或者兴趣，这个是一个概括的过程。 而推荐则是一个预测的过程，即我已经知道你对A感兴趣，虽然你目前没有关注过B,C,D，但是基于关联关系，我觉得A和B关系很密切，和C关系较密切，和D关系一般密切，这完成了预测。而后是推荐过程，即推荐前一个或者前N个关系密切的兴趣给你。 也就是说，推荐应该是首先完成了主题提取，或者是

推荐系统的牛人，其中其09年的iui的文章是best，Tagsplanations Explaining Recommendations using Tags John Riedl    url  http://www-users.cs.umn.edu/~riedl/ 计算广告学的yahoo牛人，Andrei_Broder http://research.yahoo.com/Andr

看到最近有人的总结，http://www.cnblogs.com/breezedeus/ 系统看了一下豆瓣的几个推荐系统 豆瓣图书推荐，这个是我一直觉得很不确定的地方，我感觉他们应该是用的item-based cf，但是有时候又觉得吧，通过user-based也能给我推荐，因为我的好友里确实有人看类似的书目。豆瓣实际上是怎么做的呢？ content-based + weigh