xiaolu的专栏

为了方便大家从理论到实践，从入门到精通，循序渐进系统地理解和掌握推荐系统相关知识。特做了个读物清单。大家可以按此表阅读，也欢迎提出意见和指出未标明的经典文献以丰富各学科需求（为避免初学者疲于奔命，每个方向只推荐几篇经典文献）。1. 中文综述(了解概念-入门篇)a) 个性化推荐系统的研究进展b) 个性化推荐系统评价方法综述2. 英文综述(了解概念-进阶篇)a) 2004ACMTo

Danny 发布于 2012/03/03 Greg Linden，亚马逊早期推荐系统的主要贡献者，在最近的博文《YouTube uses Amazon’s recommendation algorithm》中讨论了YouTube在RecSys 2010上的一篇论文，因为该文报告，目前YouTube的推荐算法主要采用Item-based方法和Ranking方法。YouTube

收集和整理了目前互联网上能找到的和推荐系统相关的开源项目(Open Source Software | Recommendation)，罗列如下，希望对本领域感兴趣的朋友有帮助（文/陈运文）SVDFeature由上海交大的同学开发（开发语言C++），代码严谨、质量高，我们参加KDD竞赛时用过，很可靠和方便，而且出自咱们国人之手，所以置顶推荐！项目地址：http://svdfea

最近这两年推荐系统特别火，本文搜集整理了一些比较好的开源推荐系统，即有轻量级的适用于做研究的SVDFeature、LibMF、LibFM等，也有重 量级的适用于工业系统的 Mahout、Oryx、EasyRecd等，供大家参考。PS：这里的top 10仅代表个人观点。1.SVDFeature主页：http://svdfeature.apexlab.org/wik

前一阵子准备毕业论文的开题，一直在看推荐系统相关的论文。对推荐系统有了一个更加清晰和理性的认识，也对推荐算法有了深入了解。借此机会总结分享一下，大家多多拍砖。推荐系统的出现　　随着互联网的发展，人们正处于一个信息爆炸的时代。相比于过去的信息匮乏，面对现阶段海量的信息数据，对信息的筛选和过滤成为了衡量一个系统好坏的重要指标。一个具有良好用户体验的系统，会将海量信息进行筛选、过滤，将用

推荐系统是根据用户兴趣和行为特点，向用户推荐所需的信息或商品，帮助用户在过载信息中快速发现真正所需的商品，提高用户黏性，促进信息点击和商品销售。基于海量数据挖掘分析的商业智能平台，主要基于以下信息： 1.热点信息或商品 2.用户信息，如性别、年龄、职业、收入、所在城市 3.用户历史浏览或购买行为记录 4.社会化关系 推荐目标 1.提高单个信息或商品被访问的机会 2.

最近在拜读项亮博士的《推荐系统实践》，系统的学习一下推荐系统的相关知识。今天学习了其中的隐语义模型在Top-N推荐中的应用，在此做一个总结。隐语义模型LFM和LSI，LDA，Topic Model其实都属于隐含语义分析技术，是一类概念，他们在本质上是相通的，都是找出潜在的主题或分类。这些技术一开始都是在文本挖掘领域中提出来的，近些年它们也被不断应用到其他领域中，并得到了不错的应用效果。比如

ICML2012 paper下载地址，感谢丹柯提供:  http://icml.cc/2012/papers/个人比较感兴趣的，跟推荐系统相关的几篇文章:  1. 在有query的场景下，向用户推荐itemLatent Collaborative RetrievalJason Weston, Chong Wang, Ron Weiss, Adam Beren