这个系统根据用户的兴趣推荐图书。我们需要做的是

1. 爬一些图书的信息，（主要是技术图书，因为用这个系统的人大都也是技术界的人）
2. 建立一个item-based推荐系统，根据用户的兴趣做出推荐
3. 建立一个网站让用户对图书进行反馈
4. 解决冷启动问题
5. 提供接口，让大家可以在这个平台基础上设计自己的实验页面
6. 公开所有的源代码，大家可以在自己的服务器上搭建同样的推荐系统
7. 公开所有的用户行为日志，供大家研究使用，当然一开始是没有任何数据的啦

不知道有谁志愿加入到这个项目里来，最好是在校学生，这样大家比较有时间来实现这么一个系统。同时也可以体验一下如何从0开始做出一个可以实用的推荐系统。
有意参加者请和我联系。整个系统预期能够在3个月内成型。我们希望把这个做成一个优秀的开源项目。

联系方式 : xlvector@gmail.com

您可能也喜欢：
Reculike : 开源论文推荐系统	转载：探析数字音乐个性化推荐系统	转载：推荐系统应用研究：音乐电台	Hunch推荐系统——能帮你更好地挑选礼物吗？	Hulu的实验报告：用点击率评测推荐系统合适吗？
无觅

1. Yahoo!的Yehuda Koren的演讲

Netflix Prize大赛之后，Yehuda Koren已经成为明星级的研究人员。单纯从技术角度看，他的演讲无疑是这次论坛上最具吸引力的，其中我觉得最值得琢磨的话题有两个。

1.1 Bias Matters

通过分析Netflix Prize数据，Koren发现用户对视频的评分变化中，Bias可以解释其中的33%，而个性化只能解释其中的10%，剩下的57%暂时还得不到解释，是需要我们进一步挖掘的金矿。10%和57%是两个让人瞠目的数字。Koren很好地展示了怎样利用最基本的统计方法得到对数据最深刻的理解。

Koren是针对Netflix Prize大赛做数据分析的，我想谈的是，竞赛和实际应用毕竟是两码事。设想有一个用户只对他非常喜欢的视频打分，他给出的所有评分都是5分。对这样的用户，他的bias可以100%地解释他的评分变化，只要他给某个视频打了分，将评分预测为5分就好了。但在实际应用中，这没有意义，我们不能认为用户会给所有的视频都打5分，我们首先需要知道用户还有可能对哪些视频打分。虽然这个例子稍显极端，但实际应用中这样的用户不在少数。

更为普遍的问题，是怎么处理用户打分非常低的那些视频。经常会看到有些用户对某些视频恨得牙根痒痒，声称恨不得给它打负5分甚至负100分。相比那些用户没有打分的视频，这些让用户讨厌的视频和用户的兴趣更不相关吗？有一句很好地诠释这个问题的口水话：爱的反义词不是恨，是漠不关心。绝大多数用户是想不起来去给那些根本没有兴趣的视频打分的。用户给某个视频打过分，表明这个视频和他兴趣相关，预测视频的评分，只是在用户感兴趣的视频中，区分出他认为质量好的和差的视频。而在实际应用中，首先要解决的问题是区分用户感兴趣的和不感兴趣的视频。

Bias matters，这话是没错的，但在实际应用中，最需要注意的bias是selection bias：用户并不是随机地选择一些视频去打分，而是只选择那些和他们兴趣相关的视频打分，这可能是把Netflix竞赛结果用到实际应用中会遇到的最大的问题。套用大话西游的句式：如果你不知道用户喜欢的其实是他讨厌的那种视频，你的推荐效果才是最要命的。

1.2 用户兴趣数据的获取

Koren谈到他在CIKM 2010的一篇文章：对于新用户，可以选一些视频让他们打分，从而获取他们的兴趣数据；那么选择什么样的视频给用户，可以用尽量少的视频，最大程度地了解用户兴趣呢？Koren似乎给出了一个非常漂亮的解决方案，他找到了一个单目标的模型，可以容纳这个问题的多重目标：选择那些能够最大程度地区分兴趣组的视频，选择的视频要尽量区分不同的兴趣组，等等。这个话题是这次一日游的一个惊喜，还没来得及读Koren的这篇文章，但我想这篇文章会给很多相关领域的研究带来新的灌水点。

Koren的目标是解决推荐系统的cold-start问题，实际上不光是cold-start问题，即使是已经有很多评分和购买数据的用户，系统对他们的了解往往也还是不充分的。一个直观的例子：如果系统认为用户喜欢某类商品，就总是向他推荐该类商品，那么该类商品的点击次数必然会很高。而另一类用户实际上更为喜欢的商品，因为系统掌握的信息不充分，总得不到推荐机会，点击次数就会很低。这种情况下，会出现富者愈富的现象，最合适的那类商品永远得不到推荐机会。

为解决上述问题，近几年有很多工作，研究如何平衡开发和利用（exploration and exploitation）两个方面，根据已知信息的可信度做以下决定：是展现系统认为最有可能被点击的商品，以提高当前这次展示的盈利期望，还是展示那些信息不充分的商品，得到更充分的信息，以避免富者愈富的潜在问题，提高未来的盈利期望（微软的AdPredictor工作有对这个问题简要的探讨）。

目前关于开发和利用问题的研究，基本还是假定各个商品是相互独立的，也就是说，系统知道了商品A的更多信息，并不能增加对商品B的了解。Koren的工作显然丢弃了这个不合理的假设，如果能够将他的方法引入到开发和利用问题的研究中，对这个问题的研究应该会有一定帮助。

2. 淘宝的玄澄和游龙的演讲

淘宝分别由玄澄和游龙作了两个题目的演讲，印象最深的还是淘宝数据的一些参数：8亿种商品，大部分销量出现在商品上线5个月之内，等等。到目前为止我基本上还不是淘宝的用户，对淘宝的推荐系统并没有直观的印象。但这些数据给我这样一个印象，实现推荐系统所有可能遇到的难题，在淘宝这里都会遇到。具体说，可能的难题有：

a) 商品种类繁多，生命周期短，带来的直接问题是对大多数商品而言，很难及时收集到足够多的点击或购买数据，这使得基于用户行为的推荐方法，比如item-based方法，发挥空间有限。
b) 因为商品是由卖家而非网站登记的，数据的规范性差，这又给基于内容的推荐带来了很大的困难。
c) 而且要考虑到，不论商品特征输入多么规范，大多数情况下，都只能代表商品的一小部分特征，这和新闻或是博文的推荐不同，新闻和博文的文本已经包含了它们绝大部分的特征。
d) 另外，8亿种商品中，重复的商品种类应该非常多，需要尽量避免推荐重复种类的商品给用户，但在数据规范性差、区分度差的情况下，如何归并重复商品种类，这本身也是个很大的难题。
e) 再者，大多数推荐系统只需要考虑如何满足买家的需求，在淘宝，还要考虑卖家的需求，比如说用户到我的店里来看羊绒衫，系统给他推荐其它店的羊绒衫显然不合适。
f) 最后，每天要处理的点击和购买数据量庞大，这个难题在淘宝的环境下似乎只能算个小巫。

淘宝出资赞助了这次论坛，又在论坛上宣布了淘宝研究院的成立，想借此机会招揽人才的意图很明显。有兴趣的同学要多多关注。

3. 百度张栋的演讲

张栋的演讲提到一个被部分受众解释为“算法无用论”的见解：UI/UE:40% > Data:30% > Knowledge:20% > Algorithm:10%，这个提法迅速地占领了相关讨论的大部分频段，使得他演讲的技术内容受到的关注反而减少了。这个话题的热度在一周后的今天仍在延续，我也很有跳进这个坑继续挖挖的冲动。但重读豆瓣的once同学的游记，其中点睛的两句：“首先这是一次盛大而充满技术含量的大会，其中有组委会的同学与赞助商的不懈努力”，让我决定还是把焦点放到技术话题上。

3.1 神经网络和LambdaRank

张栋的演讲中提到怎么看待神经网络，以及基于神经网络的RankNet和LambdaRank算法的问题。在学术界甚至产业界，神经网络似乎都是个有争议的话题，对它有很多宗教狂热式的批评或支持：没有理由，只有态度。从我个人有限的经验看，多层感知器最大的问题是它是非凸问题，局部最优点数量庞大，这使得他的训练非常困难。当训练结果不满意的时候，除了调调参数和初始权重，似乎也没有什么更好的办法。和其他分类器相比，多层感知器的训练结果往往处于比上不足，比下有余的平庸状态。当然，相比其它比较流行的非线性分类器，例如径向基的SVM或是AdaBoost，在输入数据维数特别大（比如超过几万维）并且特别稀疏时，多层感知器在计算效率上的优势还是比较明显的，前提条件是隐层所需的神经元数目不是特别大。

LambdaRank是微软研发的一个基于多层感知器的Ranking算法。LambdaRank大约在2006年或更早就被Bing.com（当时是live.com?）用来做排序，可能是最早投入实际使用的learning to rank算法。实际上，ranking数据集的维数一般在几百维，稀疏性也不是很突出，这种情况下采用多层感知器的理由并不是很充分。LambdaRank发明者后续的一些工作中的试验表明该算法表现平庸，但试验中隐层都只用10个节点，让人感觉试验结果缺乏说服力。

和神经网络不相关的题外话：看到有同学对张栋提到的topic model在Netflix竞赛中的效果有疑问。其实这个问题在演讲中已经提到了，Blei发表的topic model是针对multinomial分布的，并不适合Netflix竞赛的数据，需要替换为正态分布。我以前的博文里其实也有一些相关讨论。

4. 其他

此外还有Google和Hulu的技术人员的演讲，但由于我的生物钟非常不适应会议的时间（主要是早上开始的太早），到后面两讲基本上没听下什么，有空看看录像再来谈。

最后，要感谢论坛的组织者提供的这次交流学习的机会，他们来自淘宝、ResysChina.com、豆瓣网、简网等，没什么能感谢他们的，就帮他们宣传宣传吧。

（欢迎转载 谢绝篡改 作者: chen_1st 微博：http://t.sina.com.cn/chen1st）

您可能也喜欢：
推荐系统开源工具 – SVDFeature	2011推荐系统论坛·官网发布	转载：推荐系统应用研究：音乐电台	2011推荐系统论坛	为什么关于社会化推荐系统的创业想法接连失败？
来自无觅网络的相关文章：
物理学背景的推荐算法与协同过滤 (@wentrue)	卓越亚马逊推荐机制的学习和探讨 (@alibuybuy)	推荐系统resys小组线下活动见闻2009-08-22 (@wentrue)	推荐系统应用研究：网上书店 (@alibuybuy)	关于推荐系统的5个问题 (@alibuybuy)
无觅

目前，报名工作已经停止，参会名单也已经全部确认完毕。本次大会提交的报名人数远超我们的预期，非常感谢朋友们的大力支持与热情参与。有报了名但未收到确认信的同学，恳请你们能够理解和谅解。也请未获得参会名额的朋友们，不要在会议当天直接空降，目前留作以备万一之需的名额也已经全部放出，人数已达会场极限。还有朋友直接给我发邮件的，未能一一回复，也请多多包涵！不能参会的朋友们也无需遗憾，会议之后会有全程视频录像和PPT资料公布，同样给力。另外，会议当天会进行微博直播，感兴趣的朋友可以关注 ResysChina 官方帐号。

大家的支持，是对我们辛苦工作的最佳褒奖，ResysChina 成员会继续努力，为大家带来更多更好的活动。谢谢大家支持！

3月6日九点，北京地质大学国际会议中心，期待各位朋友的到来！

特别鸣谢：

• 感谢土豆网为本次会议提供视频支持。
• 感谢淘宝网为本次会议官网提供设计支持。

洪波，知名IT评论人

超市中靠近收款台的陈列架，就是一种推荐；玩聚网的Social Rank、锐推榜，iLike的社区推荐，是一种社会化推荐；亚马逊购买A的用户还买了B和C，是基于统计的推荐；Pandora的音乐指纹和Netflix的Cinematch，是个性化推荐。
推荐本身恐怕很难成为互联网的下一个爆发点，但推荐引擎一定会跟不同的业务形态、不同的应用场景、不同的用户需求密切关联，产生大幅增值。推荐算法在未来会变得越来越重要，越来越无处不在。

颜嵘，Facebook 研究员

以 Facebook和 Twitter为代表的Web2.0信息革命，把过去单一的、以信息管理为主导的互联网，逐渐转变成为一个个性化、分享化和以人为本的新一代网络连接平台。在这个大环境下，推荐技术将会成为推动这个个性化进程不可或缺的一环。我相信在今后的10年内，推荐技术会对人类生活产生越来越重要的影响。

王守崑，豆瓣首席科学家

在 互联网领域，上一个十年，我们经历了从 web1.0 到 web2.0，从门户到社会网络的巨大转变；下一个十年，我们一定会看到这一领域更加激动人心的变化。个性化推荐从技术到产品，从系统到应用，一定会遇到 一系列非常有挑战性的问题，也一定会有各种各样充满天才的解决方案等着我们去发掘。我希望在中国也是如此。

张栋，百度科学家

释放数据的力量，专注技术的魅力，探索商业的模式，三者结合，推荐引擎大有可为。

ResysChina 发起人，谷文栋 项亮

Google 的辉煌成就，曾经让许多人一度认为，Google 时代就是互联网的终结了。而近年来以 Facebook 为代表的社会化网络成功突围，使人们明白，一切其实才刚刚开始。用户贡献内容，社会化途径传播，这让信息量极度膨胀。潘多拉魔盒已经打开，“选择”的时代 已然开启，新的十年，我相信，推荐引擎必领风骚。

您可能也喜欢：
2011推荐系统论坛	向 Koren 先生提问	Hulu发布新的推荐系统页面	为什么关于社会化推荐系统的创业想法接连失败？	Reculike : 开源论文推荐系统
无觅

国内最大的IT社区 CSDN，将于会议当天对 Koren 先生进行一次专访，特此向广大朋友征集问题。机会难得，请大家踊跃贡献给力的好问题。

豆瓣王守崑同学先抛了两块砖。
1. As the rapid growth of SNS websites worldwide, friends-recommendations have established a solid influences on users’s choices comparing to algorithms-recommendatins. Say, on media products such as books, movie, and music, people trust their friends a lot more rather than machines. What do you think about this phenomenon, and are there any evidence or measures to quantitively evaluate it?
2. People visit more often on facebook, twitter and other social platforms, and in these websites information is private, transient, and contextual, which is very hard for Google to index, ranking, and present relevant results in response to search queries. Are there any chance for recommender system to be involved and provide better performance to both search engines and social platforms?

中英文提问均可，请直接在本文后面留言提问。期待你的问题！

Yehuda Koren is a Senior Researcher at Yahoo! Research, Haifa. Prior to this, he was a member of AT&T Labs-Research. He obtained his Ph.D. in Computer Science from The Weizmann Institute in 2003. His thesis topic was algorithms for drawing, clustering and visualizing large graphs.  He was awarded best paper award at INFOVIS 2005 for the work on directed graph layout through constrained energy minimization. More recently he won KDD 2009 best research paper award for his work on collaborative filtering with temporal dynamics. Yehuda is a member of the teams that won the grand prize and the two progress prizes in the Netflix Prize competition.

Web-Scale Recommendation Systems

Web retailers and content providers offer a huge selection of products, with unprecedented opportunities to meet a variety of special needs and tastes. This opened an opportunity for recommender systems, which provide personalized product recommendations that suit a user’s taste. The collaborative filtering approach to recommender systems predicts user preferences for products or services by learning past user-item relationships. In this talk I will survey some of the recent advances made in the field.

Successful collaborative filtering systems need to address multiple challenges. The designer needs to model the very elusive human taste appropriately, and deal with the fact that humans constantly change and redefine their preferences. Furthermore, balancing between a detailed modeling of heavy users and an adequate modeling of newcomers within a single model makes the task all the more challenging. Finally, systems often need to combine various kinds of signals, such as different kinds of feedback originating from its users together with external third-party data describing the offered items.

The methods described in the talk were central to winning the Netflix Prize competition. In addition, some of the methods are demonstrated on the Yahoo! Music service, while using one of the largest publicly available datasets, containing over 250 million ratings, more than a million users and more than half a million items. This dataset, which genuinely reflects the wisdom of a large crowd and its cumulative taste in music, will be the focus of the KDD-Cup’2011 contest, commencing on March 15, 2011.

您可能也喜欢：
2011推荐系统论坛	2011推荐系统论坛·官网发布	提问的智慧：利用决策树进行推荐系统新用户引导	电影推荐引擎Jinni获500万美金投资	Early Amazon: Group discounts
来自无觅网络的相关文章：
推荐究竟是不是下一个爆发点？ (@guwendong)	再见！差不多先生 (@alibuybuy)	写给百度总裁李彦宏先生的一封长信 (@alibuybuy)	韩寒：给李彦宏先生的一封信 (@alibuybuy)	让网络，更简单！ (@guwendong)
无觅

Google 的辉煌成就，曾经让许多人一度认为，Google 时代就是互联网的终结了。而近年来以 Facebook 为代表的社会化网络成功突围，使人们明白，一切其实才刚刚开始。用户贡献内容，社会化途径传播，这让信息量极度膨胀。潘多拉魔盒已经打开，“选择”的时代已然开启，新的十年，我相信，推荐引擎必领风骚。

“We are leaving the age of information and entering the age of recommendation” — Chris Anderson in The Long Tail。

3月，春暖花开，2011推荐系统论坛即将到来。本届大会由淘宝网与 ResysChina 联合主办，共设六个主题演讲，各个给力。尤其令人激动的是，我们成功邀请到了 Netflix Prize 冠军队成员 Yehuda Koren 先生参会，进行主题演讲，精彩不容错过！

1. “Web-Scale Recommendation Systems”，Yehuda Koren，Senior Researcher at Yahoo! Research
2. “淘宝数据力量”，贾超，淘宝网数据产品部技术经理
3. “推荐系统：算法、评估、应用”，张栋，百度科学家
4. “Sharing on Amazon’s Personalization Technology”，林承仁，无觅网创始人
5. “推荐系统在电子商务环境中的应用”，项碧波，淘宝网
6. “Personalization in Hulu”，郑华，Hulu推荐团队负责人。

会议时间：3月6日全天
会议地点：北京地质大学国际会议中心

本次大会免费参加，参会总人数将控制在 200 人左右，为了保证良好的讨论氛围，优先考虑团队报名，有意者请到此处填写报名申请。如有疑问，可以联系谷文栋（wendell.gu#gmail.com）。更多会议信息，请关注 ResysChina 官方微博，http://t.sina.com.cn/resys。

特别鸣谢：本次大会由淘宝网提供经费及鼎力支持。

您可能也喜欢：
向 Koren 先生提问	2011推荐系统论坛·官网发布	推荐系统开源工具 – SVDFeature	为什么关于社会化推荐系统的创业想法接连失败？	转载：推荐系统应用研究：音乐电台
无觅

在报告视频中，你可以听到 Jason 对 Hulu 北京团队的称赞！我曾经有幸拜访过他们位于清华科技园的办公室，这是一个低调得令人发指的团队，然而做的事情却着实有趣。在 Hulu 工作是彻头彻尾的互联网模式，商业团队在美国，技术团队在北京，目标一致全球协作，绝非XX中国之类可以比拟的。

Hulu 可以称得上是追求商业与技术相融合的典范。当其他人还在对个性化技术犹豫不决的时候，他们几乎已经完成了最佳实践。Hulu 将个性化技术应用到了产品的许多角落，于细节之处彰显实力，是进行山寨式微创新的绝佳研究对象。

上图是经典的“如果你喜欢…那么你可能还喜欢…”的推荐场景，这个功能尽管常见，但很有讲究。推荐应该放哪儿，什么展现形式以及什么时机显示？想一想，这些问题你会怎么解决？Hulu 团队的答案是 A/B Test，让数据来指导产品决策。再看细节，“Bookmarked” 是一个很契合场景的小功能，是一个用心的设计。这个场景 Hulu 做到的效果是：看到这个推荐的用户中，有10%的用户点击观看或者收藏了推荐的影片。但其实整个场景里面我最想说的，是右上角的“Does this recommendation interest you?”这一点。我一直有一个看法：对于推荐产品，用户反馈的作用怎么强调都不为过，虽然用户确实是懒的，做推荐产品也确实要讲究隐性反馈，但这绝不代表你不能要求用户做出选择。既要能够收集到有价值的反馈，又要使得用户感受到产品对他的尊重，如何平衡这个矛盾，是需要具备相当智慧的。如果你正在招聘推荐相关的产品经理，这个事情很值得问一问。

用户不喜欢广告，这件事情相信谁都明白。Jason 给出了一个数据，“内容厂商每挣一美元，其中就有 41 美分来自广告”，因此，一切抛开广告谈视频产业未来的做法都是浮云，结论就是——绕不开广告，就让它变得更加美好。Hulu 的 mission 分为两部分：第一部分是“To help people find and enjoy the world’s premium content; when, where and how they want it.”；第二部分是“As we pursue our mission, we aspire to create a service that users, advertisers and content owners unabashedly love.”。基本上第一部分无论从内容覆盖度上还是受众覆盖度上，都没有做到；显然大家都看得出来，第二部分才是真正的 mission，^_^。第二部分也的确是整个产品里面 Hulu 最下功夫的地方：1）广告的品质很高，这应该得益于主打品牌广告的策略；2）围绕广告给予用户很多选择，上图中红圈显示的仅是一例；3）基于用户的选择与反馈，使用个性化技术驱动广告与用户的喜好越来越相关。就目前公开的数据来看，在用户满意度、广告有效性以及自身收入这三个方面，Hulu 都确实取得了相当不错的成绩。作为一个有追求的程序男青年，我曾经很纠结：从技术角度需要理想化，从商业领域需要直截了当，难道除了更高更快更强地搜索假药之外，技术就不能够有效变现了吗？Hulu 让我释然了。

其他有意思的事情还有不少。比如，1）他们对于推荐模块使用了 Ajax 处理，只有当用户把页面拖到相应位置的时候，才会动态加载推荐数据，这样可以更精确地考量推荐算法的效果。2）在同一个功能区，他们会均衡投放广告与推荐影片的比例，背后的逻辑是，用户看到更多感兴趣的影片->停留的时间更长->看到广告的整体数量增多，这可以转化为一个相当理性的数据模型，照着收益最大化持续优化就好了。3）他们通过分析已注册用户观看过视频的历史数据，来对未注册用户建立预测模型。看下图这个例子，从全局统计数字来看，观看左边这部影片的用户中，63%是女性，37%是男性，通常的做法，会给这部影片搭配一段针对女性的广告，那么，那37%的男人们就杯具了。而 Hulu 讲究的是搭配有针对性的广告，对于已注册用户，Hulu 是知道性别数据的；对于不知道性别的未注册用户，Hulu 通过分析其浏览记录来预测其性别，比如同时还看过右侧那一坨影片的，就有极大可能是女性。这些数学模型其实都不难，但想在合适的地方让它们派上用场，这个还是需要一些功力的。

前两天我发了一条微博，“对数据的理解和问题的建模是第一位的，用多么高级的算法根本不是重点”。这是我个人的一些感触，我相信大部分场景应该也是适合的。但推荐深入作进去，绝对是个考验算法实力的事情。和一个靠谱的团队在一起，事半功倍！

评价一个团队，我个人有一个不太成熟的判断标准，就是看其中有没有辍学生，这点最起码能说明一个问题：正在做的事情是否足够性感，让人愿意抛开束缚全情投入。很巧的是，Hulu 北京团队里面就有这样一位从北大退学的博士生，非常给力。他们正在招聘，有兴趣的可以到这里看看，或者可以直接联系：郑华@Twitter。

这里还有一些好玩儿的照片。

您可能也喜欢：
StumbleUpon + Hulu = ？	Hulu的实验报告：用点击率评测推荐系统合适吗？	Hulu发布新的推荐系统页面	转载：音乐推荐引擎的科学和艺术	转载：少数人的智慧（The wisdom of the Few）
来自无觅网络的相关文章：
Hulu：广告也可以很有爱 (@guwendong)	南都周刊：网络视频调转船头奔Hulu (@alibuybuy)	为什么Hulu能赚钱 (@alibuybuy)	东拉西扯：Hulu不是那根稻草 (@alibuybuy)	Hulu详解与Facebook整合：个人主页内看电影 (@alibuybuy)
无觅

因为我最近半年在IBM CRL实习，和 3为researcher在一个组，所以对他们的工作比较了解，所以在这里总结一 下我的一些看法。

第一个演讲的是赵石顽，他的演讲内容是 Pharos: Soical map based visual recommender for content-centric website。Pharos是他们去年做的一个项目，这个项目的主要内容是基于挖掘IBM Blog中的用户数据，给用户提供一个全新的浏览web2.0的方式。我们知道，很多web2.0网站都有他们独特的UI，比如delicous, digg，他们的UI设计都比较独到。不过他们的设计大都还是基于传统的网页设计，就是首先有分类，然后分类里面有分类，这样的层次结构。这种结构的缺点 就是不利于用户通过浏览的方式来找到自己感兴趣的东西。所以Pharos是希望提供一种新的浏览方式。他的主要手段，是通过数据挖掘，将用户，博主，关键 字以tag cloud的形式展现出来。当用户进入系统的时候，在首页上就可以看到很多聚类，每个聚类里用不同的颜色来区分了这个聚类的关键词，和主要用户。tag cloud的优点是可以在有限的空间里展示非常大量的信息。 Pharos里面用到的聚类方法主要是基于LDA的，他们用LDA将不同种类的entity（user, keyword, article)来聚类，而每个类里面通过pagerank来确定entity的权重。

第二个演讲的是袁泉，他主要是介绍了graph model。因为我在IBM的前一段时间就是研究Graph Model融合temporal信息的，所以对他的工作比较了解。Graph Model是一个历史非常悠久的模型，他的特点是万金油，什么东西都可以往上面放。不过他的缺点是很难确定不同种类数据的权重，以及边的转移概率。 graph上目前比较常用的都是基于随机游走的ranking算法，这类算法速度非常快。但是，有很多精度高的代数算法，却速度相对比较慢，比如对图的 Laplacian矩阵的分析，就需要借助SVD等等手段，当图的规模大了之后，效率还是有一定的问题。

另外，构图也是一个见仁见智的问题，一般来说构图比较简单，只需要将有关系的东西连在一起就行了，不过边的权重很难确定。另外图的算法大都是非 learning的算法，我个人一直希望提出一种有目标函数的情况下，自己学习边的权重的算法。

最后一个演讲的是张夏天，他主要介绍了对 tag推荐的研究。tag最近是推荐研究的一个热门。他有两个问题，一个是推荐tag，一个是利用tag改 善对item的推荐。不过我对这个方面研究的不是很多。在netflix prize中，我们用过一些类似tag的文本信息，比如电影的演员，导演作为tag。当时起的作用不是很大，这也许和电影的diversity不够大有关 系。不过tag起作用的，个人感觉还是在top-N推荐上，它对rating prediction的影响有限。 tag分布随时间的演化也许是一个值得研究的方面，夏天介绍了前人的tag对后人的影响，可以发现后人打tag非常依赖于前人的tag，所以tag的冷启 动也许是个问题（似乎这个只能通过自然语言理解，来提供了）

总之，非常感激三位的精彩演讲，这一次的演讲比较学术一点，公式稍微多了一点，不过大家如果仔细消化，还是可以获得不少的收获。

您可能也喜欢：
Resys 第四次线下活动 – IBM CRL 专场	Early Amazon: Group discounts	转载：探析数字音乐个性化推荐系统	音乐推荐引擎的艺术和科学DNA	搭建一个实验性的在线图书推荐系统
来自无觅网络的相关文章：
重磅推荐：Resys Group (@guwendong)	迟来的感谢：Resys 豆瓣活动 (@guwendong)	IBM CRL at Resys Group，活动总结 (@wentrue)	推荐系统：Recommender Systems 简介 (@guwendong)	越狱第四季 1-2集种子下载 (@alibuybuy)
无觅

活动时间：2010年3月27日 周六 14:00
活动地点：北京市海淀区中关村科学院南路2号融科资讯中心A座8层英特尔公司

共三个主题，各个精彩！

1. Pharos: Soical map based visual recommender for content-centric website
基于社区地图的可视化推荐 — 赵石顽

2. Soical Recommender System
社会化推荐 — 袁泉

3. Tag-based Recommender System
基于tag的推荐 — 张夏天

活动总结：
Resys Group 第四次活动总结 (by xlvector)
IBM CRL at Resys Group，活动总结

您可能也喜欢：
Resys Group 第四次活动总结 (by xlvector)	转载：探析数字音乐个性化推荐系统	算法学术 | Resys China	音乐推荐引擎的艺术和科学DNA	Resys China 创刊号
无觅