转载：http://www.baifendian.com/research/html/51/t-151.html

互联网已逐渐成为数字多媒体资产（数字音乐,数字电影…）的存储和分发中心。虽然互联网的结构能使用户方便的获得内容，但这些内容资源需要有强有力的管理、检索和呈现工具的支持，数字音乐内容当然也不例外。基于用户音乐口味的个性化音乐内容推荐是当前最热门的应用方法。而同时音乐作为与朋友交流关于个性、历史、文化等重要的媒介，所以很多音乐服务中往往会融入SNS的应用。

用户特征描述

音乐内容本身有一定的文字信息（专辑的简介、音乐人的生平….等），但这些信息很难直接与音乐文件相关联。一般的音乐社区会要求用户建立自己的Profile作为分析用户音乐口味的最基本要素，这也更利于SNS的融合。像FOAF就是一种常用的方法。

“朋友的朋友”（Friend-of-a-Friend (FOAF)），FOAF 是一种 XML/RDF词汇表，它以计算机可读的形式描述用户放置在类似个人主页上的个人描述之类的信息。FOAF也是一种创建支持在线社区的信息系统的有用构件。

音乐推荐系统的目标是基于用户的音乐口味向终端用户推送喜欢和可能喜欢但不了解的音乐。而音乐口味和音乐的参数设定是受着用户群特征和用户个性特征等不确定因素影响。例如年龄、性别、职业、音乐受教育程度等的分析是能帮助提升音乐推荐的准确度。部分因素它是可以通过使用类似FOAF的方法去获得。但要使这个描述对推荐系统有最大的价值，设计描述的字段也是有一定的难度。同时驱动用户更主动的去填写尽可能多的信息对互联网运营来说也是一个挑战。

音乐信息的呈现

音乐推荐系统的其中一个重要特征是使用户具有动态获得新音乐和相关信息的能力，也就是说用户能在使用的过程中不断能发掘新的音乐。部分非点播类音乐网站采用RSS的方法去推送，将这些新音乐信息推送给用户。RSS的内容聚合功能还能将音乐新闻、音乐事件（演唱会活动）、新专辑信息、专辑简介等音乐相关信息聚合。iTunes音乐商店提供了每周更新一次的RSS feed，向用户推荐新发布的新专辑。

这种结合RSS的方法能有效的挖掘用户对音乐的深层次需求，以提高对网站服务的粘性。用户在音乐的需求并非只是欣赏，音乐学习、音乐交流、参与音乐会….都会是相关的需求。

音乐个性化推荐系统

常规的音乐个性化推荐系统常用的实现方法有两种：分别是协作过滤与内容过滤。

一、协作过滤方法是通过用户的回馈分析实现音乐推荐系统的不断优化。这些回馈又可分为显性和隐性两类。显性的数据比如用户对音乐的评分、评论、收藏等，而隐性的则是用户的音乐行为习惯的收集。协作过滤的问题是需要面对海量数据的处理、无效数据的过滤（包括Spam的剔除）等等。另有一个缺陷是很难实现一种创造性音乐类型的推荐，也就是说有一个新音乐如果与其他音乐有极低的相似性或者没啥相似性，那么系统就很难把这个新音乐向用户推送出去。

这种方法的优势是比较直观和降低专业门槛。作为网站来说，应该具有深刻理解内容的团队，但毕竟音乐是门综合的艺术，要组建一支熟悉各种音乐类型、音乐文化背景和历史的团队也绝非易事。它常用的具体手段是：

• 通过播放器（iTunes,Winamp,Foobar等）插件跟踪和记录用户收听的音乐；
• 搜索与用户音乐喜好近似的其他用户；
• 推荐这些近似爱好的其他用户收听的音乐；

亚马逊的音乐推荐、Last.fm的Audioscrabble、MusicMobs等都是采用此类方法，有兴趣的朋友可以去琢磨一下开源的irate音乐推荐系统。

二、内容过滤方法是通过提取音乐内容本身的信息和结合音乐元数据的分析，然后根据与用户音乐口味的差值比较去呈现最接近的音乐。音乐元数据分析也就是给每首歌曲添加标签，这些标签可能包括音乐的调性、速度、节奏…..等等。

这种方法的弊端是需要大量专业的人工完成，分析的结果受这些专业人员一定程度上的主观因素影响，而且本身元数据的分类和分级设计是一项非常专业的工作。这可能也是采用这种方法的网站相对较少的原因。

这种方法最大的有利之处就是解决了协作过滤中新音乐推荐的问题。潘多拉音乐服务是最典型的内容过滤，据称是采用了200多种音乐元数据。

三、一定的内容过滤结合协作过滤被认为是既能解决以上二种方法的弊端，又能发挥它们的优势的办法。

其他

隐私保护：个性化信息获得的同时也触及了用户的个人隐私，那么如何保护用户的个人隐私也是系统需要解决的关键问题。

Mashup应用：调用其他相关类网站的API以丰富内容，例如国外很多网站采用Mashup去调用Upcoming.org的演唱会信息。

总结

个性化音乐推荐系统是“音乐2.0”最常用的工具，也是实现音乐长尾模式的方法。对于数字音乐服务来说，无论是音乐下载服务，还是互联网音乐电台服务，都需要有优秀的内容推荐系统去辅助。整个系统的大致流程是：从用户的个人描述估算用户的音乐兴趣—->收集用户的音乐收听习惯（内容的分析）——>数据比较分析（相似乐队和相似用户的计算）—–>推送近似用户兴趣的乐队和歌手的音乐及相关信息。

您可能也喜欢：
转载：音乐推荐系统的评估	转载：音乐推荐引擎的科学和艺术	音乐推荐引擎的艺术和科学DNA	［翻译］Is the KDD Cup really music recommendation？	KDD Cup 2011:Yahoo赞助的音乐推荐
来自无觅网络的相关文章：
Google发布云音乐服务Google Music 测试阶段免费 (@alibuybuy)	横向对比：Google Music、iTunes和Spotify (@alibuybuy)	如何从无到有建立推荐系统 (@alibuybuy)	推荐系统应用研究：音乐电台 (@alibuybuy)	从华纳音乐集团的财报看数字音乐局势 (@alibuybuy)
无觅

转载：http://tinyurl.com/365cbvy

我们通过何种途径认知音乐？

朋友的推荐和音乐相关媒体（报纸、电视、杂志、网站）的专业评论推荐。由于对这些音乐信息了解的不完整，需要通过这些推荐帮助我们去决定是否要购买一张CD专辑或下载一首mp3。

现在大多数音乐服务正在或多或少的结合基于社会网理论的在线音乐推荐系统正是希望更好的去解决这个问题，Last.fm、iLike和imeem如是，iTunes、Amazon和eMusic亦如是。

推荐系统的判定标准

无论是基于社会化网络的协同过滤推荐引擎，还是基于内容层过滤的推荐引擎，都很难设定推荐结果优劣的判定标准。用户的满意度可以是个标准，但似乎太抽象了些。Last.fm推荐引擎能驱动较高的音乐购买转化率，而我同样经常碰到非常不满意的推荐结果。如果说拿活跃用户数来作为判断标准的话，则会受服务的市场推广影响。而用户满意和活跃用户数都受用户交互设计的直接影响。

音乐推荐系统的交互

音乐喜好的选择和输入：给音乐评分、音乐作品和音乐人的收藏、喜欢不喜欢该音乐作品都是常见的使用方法。这些选择和输入用户比较容易厌烦它们，参与率并不会太高。在imeem排名最高的歌曲Chris Brown“With You”被点播近250万次，收藏次数仅2600次。相比之下，iLike中的音乐人收藏方式参与率要高得多。类似Last.fm采用播放行为的跟踪来弥补用户的参与不足会更合理。

推荐的数量：推荐的多了用户仍旧面临太多的抉择，推荐少了又不能满足需求。Last.fm客户端的相似歌手推荐是5位，在豆瓣喜欢听这张专辑也喜欢听的专辑推荐数是10张，Yobo的喜欢该歌手的也喜欢的推荐数量是4位。

透明度和信息完整性：用户更倾向推荐的音乐和歌手能直观的表示，而不是完全不明白推荐的逻辑。似乎除了Pandora大多数推荐都比较直观些。音乐推荐是为了帮助用户了解以前信息不完整的部分音乐，如果推荐出来的音乐仍旧不能提供完整的信息，那就失去推荐本身的意义了。

您可能也喜欢：
转载：探析数字音乐个性化推荐系统	转载：音乐推荐引擎的科学和艺术	音乐推荐引擎的艺术和科学DNA	KDD Cup 2011:Yahoo赞助的音乐推荐	［翻译］Is the KDD Cup really music recommendation？
来自无觅网络的相关文章：
Google发布云音乐服务Google Music 测试阶段免费 (@alibuybuy)	横向对比：Google Music、iTunes和Spotify (@alibuybuy)	如何从无到有建立推荐系统 (@alibuybuy)	物理学背景的推荐算法与协同过滤 (@wentrue)	推荐系统应用研究：音乐电台 (@alibuybuy)
无觅

原文地址：http://cacm.acm.org/news/96075-solving-the-crisis-of-choice-online/fulltext

第一次翻译，和原文如有出处，请见谅。

译者：王峰（numb3r3）

Credit: MyMedia Project

现在网上的内容越来越丰富多样，消费者每次都不得不做出选择：要收看那个电视频道？要到那个网站上浏览新闻？要下载那个视频？需要那种格式的？从哪儿买什么书？消费者可能会不知所措，而传统的搜索技术仅仅能够在一定程度上提供一些帮助。个性化推荐系统可以知道你最近这段时间的兴趣偏好，解决用户所面临的决策问题。

Alexander Voss ,德国亚琛微软欧洲创新中心（Microsoft’s European Innovation Centre in Aachen, Germany）的一位研究员说：“现在网上有那么多信息，但是人们通常不知道从哪儿获取他们感兴趣的内容。这也是为什么很多公司会关注应用机器学习技术来提供个性化推荐和搜索”。

Voss正在领导协调由来自7家公司和大学的研究人员组成的团队开发一项先进的技术，模型和算法来为网站内容，电视频道导航和电子商务提供个性化的推荐。他们的这次EU-funded的项目MyMedia project 开发的算法被项目合作伙伴包括微软，BT和BBC，还有西班牙软件公司Microgénesis测试实验，很有可能在今后很快在商业上应用。

他还说：“我们使用了很多不同的信息类型和信息来源来个性化系统的推荐，包括显式和隐式的信息。”

关于MyMedia项目的视频 View a video

显式信息来源于用户创建的配置profiles。用户可以声明他们喜欢什么和不喜欢什么，还有他们自身的一些信息，像年龄，性别和住址，这些都能够帮助系统更好的理解用户他们的兴趣所在。同时信息也可以显式的从用户的交互操作中获取，如给视频或文章评分。“我们称为稳定信息stable information，”Voss解释说。

相对应的，“不稳定”信息隐式地获取，而且很容易受到其他因素的影响，例如用户的心情，上下文环境和品位的改变。它很大程度上取决于用户的以前的历史记录，如在多媒体领域，包括听那过类音乐，看过那类视频。

大多数个性化推荐把隐式信息看成黑白问题：如果一个用户看过一个视频，那么他们必然看过更多相似的视频；如果他们没有看这个视频，那么他们就对这个视频不感兴趣。MyMedia的研究员最大的创新就是添加另外一个非常重要的变量用来发现用户真正喜欢的是什么。

可能性的力量

“我们不仅仅判断yes或者no，而且还有maybe，”Voss说。“这是由于某个人没有看过这个视频不代表他不喜欢，他们可能由于没有时间或者”

另外，这个系统还允许内容提供商调整改变参数，观察用户的对推荐的反应。Voss说：“现在没有其他系统支持这一功能。”

来自另外一个项目合作伙伴Hildesheim大学的研究员由于他们的创新性方法，在包括在2009年在斯洛文尼亚的Bled召开的欧洲机器学习会议PKDD Discovery Challenge 2009上，赢得了许多奖项。去年，在纽约举办的  3rd ACM Conference on Recommender Systems 上，来自Technical University of Eindhoven的团队同时获得最佳Short Paper和最佳Poster奖。

Dutch研究组Novay也为该项目的开发做出贡献。

这项技术经过尝试被证明是切实有效的，所以Microgénesis已经正式宣布开发一个商业版作为它们电子商务服务平台的一部分，该平台能够帮助消费者找到他们感兴趣的视频内容和其他一些商品。

Laura de la Rua，Microgénesis 的R+D operation经理，说“从像Microgénesis这种中小企业SME的观点出发，MyMedia能够增强我们电子商务应用的优势。在激烈竞争的环境下，一个强劲的推荐系统必然是领先于其他竞争者的优势所在。”

在英国，BT正在部署MyMedia机器学习系统的一个实验性应用帮助BTVision IPTV服务的用户。

Voss说，“他们拥有大约5000,000的订阅者订阅他们的TV服务。订阅者再使用一个机顶盒就可以收看他们真正需要的视频。”

类似的，BBC也正在尝试MyMedia的应用帮助他们的在线catch-up服务，大量的用户使用该服务从Internet收看他们在电视或收音机上错过的节目。

同时，微软正在尝试在他们的German MSN网站使用这个系统的原型。

Voss解释说：“我们应用该技术在ClipClub上，结合在线视频共享和青少年很感性的社会化网络来提供推荐。目的不仅仅是帮助人们找到内容，并且同时也可以在线交的新的朋友”

MyMedia项目的协调者希望这个试验性的应用不仅仅对项目的合作者对未来商业应用提供一定的基础。

MyMedia软件在去年以开源协议发布了，任何人都可以给予他们提供的组件来构建先进的推荐系统。Voss发现这个项目不仅仅被多媒体内容分发企业关注，同时也被金融服务业关注来帮助推荐投资的产品，并且在生物科学领域，帮助研究者创建蛋白质和化合物的更复杂模型。

MyMedia项目收到EU’s Seventh Framework Program的研究资助。

您可能也喜欢：
［转载］互联网的“相关性时代”（the Age of Relevance）	转载：少数人的智慧（The wisdom of the Few）	Early Amazon: The first week	［翻译］Is the KDD Cup really music recommendation？	卓越亚马逊推荐机制的学习和探讨
来自无觅网络的相关文章：
The Wisdom of the Few (@guwendong)	软件QQ聊天记录在线备份工具QQMsgOnlineBackuper (@alibuybuy)	传说中的纸上线框图 (@alibuybuy)	TechCrunch：传雅虎最快本月将宣布收购美国在线 (@alibuybuy)	新闻周刊:互联网时代的第一次危机 (@alibuybuy)
无觅

Get Elastic Ecommerce Blog，如果你的工作和电子商务有关，而你恰好不知道这个网站，那好吧，你叫杯具帝。

译者：谷文栋 (clickstone)

个性化（Personalization）指什么？

术语“个性化”，通常用来描述下面这些事情：

实物商品 有许多商品是可以进行定制加工的——比如在 iPod 表面刻上名字，在促销品上印刷公司 logo，或者是设计一款个人专属的 Nike 鞋。尽管某种程度上这些都是个性化商品，但和我们要说的网络个性化体验没有任何关系。

用户界面 有许多网站允许你进行个性化的界面设置，就好像 MySpace 自定义背景，或者是在 Facebook Profile 中添加/移动应用和功能模块。个性化用户界面在电子商务网站上比较罕见，因为顾客是来购买或研究商品的，并不是来彰显自我的。

我只听说过一家购物网站允许自定义界面，而且即使这样，还是非常小的定制。Mobissimo 旅游搜索引擎允许你添加和移动 widgets：

2.0 范儿的功能在电子商务网站上的优先级很低。这并不是我们所指的个性化购物体验。

欢迎再次光临，科特！ 在主页上或者 email 的标题中加入来访者的名字和问候语，可以看作是迈向个性化购物体验的一小步。这虽然很讨巧，不过就完整的网络购物来讲就显得微不足道了。网络销售的“圣杯”指的是，针对每一位顾客提供专属的内容与选择。

个性化的购物体验，建立在你对顾客的了解之上，比如顾客资料，点击流数据，指定的关键词以及其他在个性化/定向销售过程中产生的可供利用的线索。

什么是定向销售（Target Selling）？

我们这样定义定向销售，“根据你对不同来访者及顾客的了解，给出相应的内容与选择”。

那定向销售和个性化有区别吗？是的，有。按照上面的定义，定向销售囊括了一对一（个性化）与一对多（用户分段）两种策略。无需个性化工具的帮助，仅通过用户分段，你也可以进行定向销售。

例如，你可以制定一个简单的定向销售策略，“新顾客进入 A 主页”，“回头客进入 B 主页”。这种一对多的策略是定向的，但却不是个性化的。更复杂一些的规则比如，“将 X 提供给满足以下条件的回头客：平均订单金额不低于 $150，住在美国，且在最近 45 天里浏览过’钻石珠宝’区域”。

而个性化可能会是，“对于回头客，显示其最后浏览的 3 款商品，并针对最后访问的类别展示一个打八折的横幅”。这不需要预先定义任何分段规则。

划分数据来源

HTTP headers

• Referral 来源
• Referral 关键字
• 浏览器
• 操作系统
• 语言

Cookies (*表示内容视情况而定)

• 回头客还是新顾客
• 顾客ID *
• 距上次来访的间隔时间 *
• 联盟代码 *

地理位置

• 国家
• 地区 州/省
• 城市
• 连接速度
• 连接类型

订单历史

• 购买趋势
• 送礼趋势
• 平均订单规模
• 购买频率

客户特征

• 性别
• 年龄
• 偏好
• 忠诚度

站内行为

• 点击流
• 闲逛
• 搜索关键字
• 以前浏览的商品
• 购物车/愿望清单/登记表里的商品
• 正在追踪的商品
• 用过的促销方式
• 评论过的商品

定向销售的效益

• 提高平均每单的金额/数量
• 省钱（零售商）
• 提高顾客的忠诚度
• 改善顾客的体验/服务

定向销售的做法

内容

• 横幅/图片
• 产品组合（searchandising，SEOandising，merchandising zones）[1]
• 交叉销售，向上销售，替代选择
• 自定义目录（B2B，地理定位，“个人商店”）
• 活动专属登陆页面

定价

• 货币转换
• 价目表（雇员，经销商，忠诚会员，批发商）
• 购物车促销/折扣/优惠券代码

体验优化

• 语言及货币选择
• 针对地理位置、移动设备、连接速度的不同作转向
• 结帐流程优化（新客户信用检查）

线下联络

• 定向电子邮件/短信

保存数据

• 持久化信息（购物车，最近浏览条目）
• 在线聊天提示

制订分段规则

在决定了使用哪些数据源来划分客户群之后，你还需要确保能够非常方便地制订定向规则。例如，Elastic Path（一款软件）就给商家提供了一个简单的规则编辑器：

通过创建并保存客户分段，你可以针对不同的群体开展不同的推广活动。

定向销售案例

主页

亚马逊会识别顾客是否已经登录，据此给出带有名字的欢迎词，以及一个指向推荐商品的链接。它还会根据 IP 的地理分布识别顾客所在的国家。亚马逊了解顾客浏览过及购买过的商品，并通过使用个性化技术，自动对网站作出相应的调整。它还提供了一个持久化的购物车， 无限期地保存购物车内容，直到顾客完成购买。
你还可以针对不同类型的访客提供不同的主页设计。这是 Danskin 的主意——当搜索导引词中包含“加码”字样时，显示左图；包含“富有节奏感”、“体操”或者“连体衣”时，显示右图。

横幅

可以根据访客浏览的分类，所处地域，或者引导站的不同，为他们显示不同的横幅和图片。

客户特征

根据客户特征以及站内行为，亚马逊每天都会作出不同的推荐。

特征——反馈

客户可以告诉亚马逊哪些推荐靠谱而哪些不行。

特征——客户主动提供

迪斯尼商店（左）和 eBags（右）都会在客户创建帐号的时候收集一些额外信息。

自定义目录

MyShape.com 首先收集客户的详细资料，包括准确的体型测量，喜爱的款式、颜色、尺码与品牌偏好，然后为每一位客户提供“个人专属商店”。

商品页面

交叉销售，向上销售以及替代选择，这些在零售网站上已经是司空见惯的方式了。

登陆页面——SEO-andizing

根据导入来源的不同，包括不同的搜索词或者广告，显示不同的内容。可以看看 Cable Organizer 的电缆龟页面，就是这么做的：

如果你通过在搜索引擎里搜索“电缆龟”找到了 Cable Organizer，它会提供一个“与电缆龟最匹配”的页面，但如果你不喜欢这个登陆页面，你立刻就可以看到另外一些基于搜索关键字相似度分析而给出的替代选择。它的样子就像一个迷你搜索结果页，见下图右侧：

分类页面——地理定位

Overstock 准确地识别出了我在加拿大的位置。并作出了即时的响应，包括，显示一面加拿大国旗，加币价格，并且如果一件商品不对加拿大销售时会给我“仅限美国”的提示。

搜索

举个简单的例子，记住我习惯使用的排序规则。当我搜索鸟笼子的时候，按照价格从低到高排了序，那么当我继续搜索大鸟笼子，就应该自动按照价格从低到高排好序。
当搜索不到任何商品时，Drugstore.com 会“扩展（searchandises [1]）”搜索结果。
如果你登入到 MyShape 的个人商店搜索“燕尾服”，那么结果里只会包含你在偏好里指明的尺码、颜色、品牌及款式。

实时交谈

我 发现当顾客关掉 123inkjets.com 页面的时候，它会显示一个提供 10% 折扣的实时对话框以吸引顾客再次访问。考虑到客服资源是非常昂贵的，零售商们会设定在某些规则之下才触发实时交谈。如果某个顾客，在一个种类内来来回回地 跳转，或是进行了 X 次搜索却仍然没有向购物车里添加商品，再或是他正在浏览一件昂贵商品的时候，你大概会想触发一次实时交谈。如果是正在浏览廉价商品，或是清仓甩卖商品，或 是可销售区域以外的顾客，通常就免谈了。
对于某些行业来讲，比如理财服务、旅游或者 B2B，配备具有交叉销售能力的客服代表是非常重要的。此外将定向销售方法引入到客服门户也是一个有利可图的主意。

购物车

在购物车页面进行交叉销售和向上销售可以提高平均订单金额。大多数个性化工具都允许你利用一些规则以使推荐更加相关。比如，如果已经选购了一件银饰，那么就可以推荐上光剂以及另外一些可供搭配的银饰。

移动设备

亚马逊会从你的帐号里获取信息，以保证在所有设备上针对你个人的推荐都是一致的。

电子邮件回访——购买之后

在顾客完成购买之后，亚马逊会发送电子邮件请求顾客作出评价，并会根据过去的购买历史提供有针对性的内容。

避免一些常见的错误

• 不相关的商品和内容——不要盲目地急于使用推荐引擎。理解“业务规则”，控制好产品组合。
• 要标明已脱销的商品
• 在做好准备之前（包括数据及测量方法），千万别定向
• 要建立一套所有网站使用者都可以理解的流程
• 保证质量

注[1] ：

• searchandising，搜索引导，指围绕搜索制订的一系列引导策略。通常的应用场景包括，当没有搜索匹配的结果时，提供替代选择；当有搜索结果时，提供交叉销售选择；某两种相似的商品，把库存量大的商品排序适当前提；诸如此类等。参考案例。
• SEOandising，SEO 引导，与 searchandising 类似，但针对的是来自于搜索引擎的流量。比如，根据引导搜索词的不同，提供不同的登陆页面。参考案例。
• merchandising，销售引导，工作内容与上面两项相同，但针对全站所有的商品销售环节。

您可能也喜欢：
专访：无觅网创始人谈个性化推荐	PayPal创始人：兴趣图谱模式将造就下一个互联网巨头	转载：少数人的智慧（The wisdom of the Few）	［转载］互联网的“相关性时代”（the Age of Relevance）	移动应用推荐服务对开发者的帮助
来自无觅网络的相关文章：
Sell Simply：随手回推即可在Twitter上完成交易 (@alibuybuy)	B2C中“捆绑销售”的设计思路 (@alibuybuy)	交叉销售和向上销售的区别 (@alibuybuy)	谈谈中国互联网单页销售 (@alibuybuy)	美国十大汽车销售网站揭秘 (@alibuybuy)
无觅

作者：IBM 中国研究院 袁泉

关于推荐系统是不是可以做成跨领域的通用系统，有过很多讨论。但从做一个好的推荐系统的角度来看，我们觉得和领域知识的结合是密不可分的。然而，目前我们所接触到的较为普遍的做法是比较重算法，而忽略了之前的领域问题分析和对数据的把握。一般是准备好数据（抽取成经典的user-item矩阵）之后，选几个比较经典通用的算法(user/item-KNN, 矩阵分解等)跑一跑，选个好的结果。 这样做比较方便快捷，但往往因为忽略了领域自身的特点，而错过了很多改进的机会。

因为我们组之前做过些新闻（这里的新闻除了包括传统的新闻外，还指博客、微博、rss feed等， 因为它们具有以下的共性）推荐方面的工作，而且我个人对Google News的个性化一直也比较关注，今年初在IUI开会时，遇到做Google做news推荐的Peter Dolan，正好有一篇他们的paper（Personalized News Recommendation Based on Click Behavior）讲最近news推荐的情况，结合之前他们在www2007发表的Google News Personalization: Scalable Online Collaborative Filtering，可以让我们对Google做新闻推荐的过程有个相对清晰的了解。尤其是最近这篇paper，就向我们展示了如何考虑领域特点和数据特点，有效改进推荐系统。下面我就顺着这个思路，谈一下新闻推荐的几个特点，以及Google和我们在这方面做的一些工作。

Google的第一篇文章，也可以看做他们做新闻推荐的第一个阶段，是一个从无到有的过程。 他们采用了三种方法做推荐，LSH/Minhash, PLSI 和co-visition。前两种都是用于聚类，把每一个用户都分到他所属的类中，然后将该类用户的集体点击行为聚合在一起，作为对当前用户的推荐。 Co-visition就是一种item-based的推荐方法，通过发行item之间的关联性来做推荐。可以看到，在这一阶段，他们最关心的是可扩展性scalability的问题，LSH/Minhash是很快速并且很容易并行化的方法；而PLSI又在各领域表现不俗，因而他们也实现了mapreduce版本，并用到新闻推荐里面来。最后的实验表明，这3种方法综合运用起来能取得最好的结果，比向用户推荐popular的新闻提高了38%。后来Amazon出来的Greg评价说这个数值，比他们在电子商务中用CF来做推荐相对于推荐流行商品，提高的要少得多。我想这可能跟算法有一定关系，但也跟两个领域不同相关，因为在新闻领域，由于用户对热门流行的需求相对较强，所以popular的方法效果不会很差，因此在这个基础上提高38%也算不错的结果了。

今年IUI上他们的这篇paper， 可以看作是第二阶段。针对新闻领域自身的特点，直接用前面的协同过滤解决不了的时候，对原有算法做的补充和增强。新闻领域有如下几个特点：一是新闻这种item的时效性很强，更新速度快。比如一个大的新闻网站，新闻条目的总数和Amazon上商品的总数是差不多的，但是新闻条目的更新速度是远远快于商品的，即它的生命周期非常短，可能只有几个小时或几天。这对推荐系统的性能架构和推荐质量（用户满意度）都提出了更高的要求。随之而来就产生了first rater问题，即一则新的新闻，可能才出来的一段时间，浏览点击的人非常少或基本没有，这样一般推荐算法就推不出来；如果等到数据积累够了，可能已经过了若干小时了。二是新闻领域里的用户—读者，更容易受流行和热门的item影响。因为毕竟大家都对当时当地的热点事件很好奇，而且点击一则热门新闻的成本显然比购买一本流行书的成本低很多。因此，如果一则新闻非常流行，很多人都去看，就像大家的购物篮里面都有这个东西一样，计算和其他item的相关性时，它就很占便宜，往往容易被推荐出来。

为了解决上面两点问题，首先他们对新闻读者提出两点假设：即新闻读者的点击行为是受其长期的兴趣点（也处于不断演化的过程中）影响的；新闻用户是受当前热点流行趋势影响的；两者共同作用，导致了用户的点击行为。接着从log分析中印证了这两点假设，给出了个体用户和群体用户的行为统计特征。这一步往往是我们容易忽略的地方。

从这里，也可以看出为什么要用profile-based的推荐去对协同过滤做补充。Profile-based的推荐是为每个用户显式的生成一个若干维的兴趣特征向量，表明用户在每个维度上的兴趣程度，这可以看作是一种基于内容分析（content-based）的做法，因此文章的一个要点，就是用content去和原来的CF推荐做融合hybrid，一定程度上解first-rater问题。因此后面做算法设计的时候，也是先基于每个用户的profile，用概率来判断用户对某类文章的感兴趣程度。另外抓得比较好的一个点，就是利用当时当地的趋势，来影响用户，并且也都统一到一个概率框架下。从在实际上线系统中测试的效果来看，这种profile和CF hybrid的方法，平均提高了30.9%的CTR， 同时将网站访问频率提高了14.1%。

整篇文章读起来感觉问题明确，条理清晰，方法也简单有效。当时和Peter聊的时候，他也反复强调的是对数据的理解和问题的建模，用多么高级的算法倒在其次了。注：对解决新闻推荐中新item新用户问题，有兴趣的同学，也可以看看Yahoo的这篇文章Personalized Recommendation on Dynamic Content Using Predictive Bilinear Models，发表在WWW2009。

此外，我们觉得新闻领域的另一特点是新闻的展现问题。通常一条条新闻排列的方式，让用户很难快速的从中找到感兴趣的东西；时间长了也会视觉疲劳。因此去年我们做的一个工作，就是希望通过引入可视化和交互式推荐的方式来一定程度解决这个问题，发表在今年的ACM RecSys上Who is Talking about What: Social Map-based Recommendation for Content-Centric Social Websites。虽然用户浏览时通常主要关心的是内容本身，但如果我们告诉用户，具有哪些特征的人，在关注并谈论这些内容，用户也会有兴趣知道。因此，我们扩展了传统的标签云，将对内容的总结（左侧红色）和人的特征的总结（右侧蓝色）同时放在一张图上，让用户可以迅速发现感兴趣的内容和知道“谁在谈论什么话题”(who is talking about what)。例如下图中带框的一部分，就是在说来自IBM Lotus产品部门的一群人，关注lotus Connection Quickr等产品相关的内容。

无独有偶，最近 DailyMe（美国一专门从事新闻类个性化服务的公司）发布的 Newstogram™ 个性化平台上，也体现了这一点。从下图中可以看到，左侧是一个关于内容的标签云，右侧他们用不同的人物图标和左侧相对应，比如某类女士关心的是乳腺癌，生活方式等；某类男士关心的是运动，通用汽车等。

您可能也喜欢：
玛丽莎•梅耶尔的大动作：无需搜索的Google——“相关发现”	Call for Paper	Hulu的实验报告：用点击率评测推荐系统合适吗？	转载：Web 2.0时代需要什么样的网络新闻？	转载：探析数字音乐个性化推荐系统
来自无觅网络的相关文章：
[推荐]Google Chrome 的十个使用技巧 (@alibuybuy)	网站分析好工具推荐:google (@alibuybuy)	Google进军电子商务，时尚，个性，视觉盛宴一个都不会少 (@alibuybuy)	Google如何统治Web (@alibuybuy)	Youtube视频推荐算法：从10页论文到4页论文的变迁 (@wentrue)
无觅

作者：杨杰 硅谷

硅谷可能是我们每一个CS学生和IT从业者心目中的圣地。我曾以为那是一个遥远的目标，通常需要经历考Toefl GRE、申请美国研究生、读完硕士或博士，最后才有希望找到那里的工作。事实上，这的确是一条经典途径，大部分中国学生都是通过这样方法进入硅谷的。还有一部分是先在国内进入跨国公司，比如Google，几年之后攒够经验和人脉，再调到美国总部。我有几个朋友就是这样来的。但我走的却是另外一条途径，直接申请到美国硅谷的工作。

我硕士毕业之后参加了一个P2P的项目，也是从那时开始接触推荐系统。大概08年春节期间，就在我开始考虑是续工作合同还是读博的时候，一个硅谷的猎头给我发了封email，说BitTorrent公司在招人，问我有没有兴趣申请。我当时很意外，因为我并没在任何网站求职，在硅谷那边也不认识任何朋友，唯一的解释就是他从我们学校的项目主页上找到了我，因为我们做的项目跟BT很相关，我的背景很符合他们的需求。既然机会敲门了，那就试试吧，因为我一直也有去美国的想法。于是接下来经历了几轮电话面试，介绍了一下目前的工作，回答了一些技术问题，写了几个小程序，然后3月底就顺利拿到offer了。可能小公司的面试相对而言要简单一点吧，另外也许有学术背景对工业界比较有吸引力，但最关键的是，你正是他们所需要的人。

接下来就是漫长的申请H1B工作签证的过程。来美国工作最常见的签证类型是L1和H1B。L1只能是跨国公司内部调动才能申请，一次给5年，不能换工作。H1B是可以换工作的，一次给3年，可以续一次，总共6年。如果你打算长住这，那么可以在这几年期间申请绿卡，在绿卡申请期间是可以合法待在美国的。H1B签证一般由公司出钱委托律师帮你申请，申请者至少要求本科学位，只能从每年4月1日开始申请，大概一到三个月之内出结果（加急的话可以在一两周内出结果，要多交1000美元），申请成功了的话，最早当年10月1日开始上班。

一次 H1B签证的费用大概是5000美元，并不是每个公司都愿意花这个钱。但是，外国员工，尤其是中国和印度员工，通常更勤奋也更忠诚，所以几乎每个公司都少不了中国人和印度人。如果H1B持有者丢掉了工作，他必须在几个月内找到工作，否则就得离境。此外，如果绿卡申请批复下来（通常要几年时间）之前换了工作的话，前面的申请就作废了。这种压力逼得我们不得不努力工作，而且不会轻易跳槽，这可能也是许多公司愿意招外国员工的原因之一。

另外，H1B持有者的工资待遇法律上规定是不得低于地区同等水平的，因为政府要保护当地人的就业市场，同时也避免外国员工沦为廉价劳动力。如果公司给你的工资达不到这个标准，可能就无法成功申请H1B签证。比如有几年经验的软件工程师在硅谷地区大概是年薪10万美元左右，当然实际数字应人而异，差别可能很大。这些信息是公开的，可以在后面给的链接里查到。

H1B签证关键一点是，每年都有名额限制，最近这些年都是65000个普通名额，另外还有20000个优先名额，是留给美国本土硕士或以上学位毕业的外国人。非赢利机构（如大学）不受这个限制。如果这个名额在你开始申请之前用完了，即使拿到offer了，你这一年也来不了美国。运气好的话也许公司愿意为你保留这个offer，等到明年再申请一次。如果美国政府在4月第一周收到的H1B申请超过名额限制，就要进行抽签，从中选出名额数量个申请材料，进入下一步程序。比如我是08年申请的，那时金融危机还没有全面爆发，结果当年第一周就有高达20万人申请（当然其中大部分是印度人），所以不得不通过抽签来决定命运，很幸运我被抽中了。而09年的工作机会大幅减少，据说名额到12 月才用完，也就不用抽签了。2010年似乎情况还没有明显改变，H1B名额可能也会用到下半年。不管怎样，越早拿到工作offer，对后面申请签证就更有利。

不过，就在我马上要去拿签证的时候，金融风暴爆发了，大量公司疯狂裁员，也包括我的offer，不幸被取消掉了，所以我不得不在很短的时间内找到一份另外工作，才不至于浪费掉这个来之不易的签证。我那几年主要做的是基于P2P的推荐系统，所以有这两方面的背景，而这时有一家专做推荐的公司正在招人，于是我开始申请这家公司。仍然都是电话面试，一切都很顺利，很快又拿到offer，终于在9月底来到了硅谷。

传统意义上的硅谷，是指旧金山以南到圣何塞以北的这一块狭长的湾区地带，但现在这个范围已经扩展到周围地区，也就是所谓的旧金山湾区（San Francisco Bay Area)。这里气候温和，阳光普照，风景优美；这里毗邻顶级大学，文化交流频繁，社会自由包容；这里科技公司林立，资金和人才涌动，冒险精神和务实态度并存。从旧金山一路往南，抬头低眼，到处都是声名远扬的公司。一栋栋气派的楼宇，安然笑纳各方敬仰的眼神；一个个传奇的故事，流传在每个怀有梦想的人之间。这里就是硅谷，IT科技和工业的心脏。我似乎以一种朝圣者的心态来到这里，开始人生新的篇章。

硅谷虽然有很多名头响亮的大公司，但更多的还是锐意进取的小公司，并且每天都在诞生新的idea，新的小公司。当技术、理念和创新有大量机会摩擦碰撞，当有这么一种机制帮助你不断实践你的梦想而不必承担失败的后果，当大量人才聚集在一个地区，创业就变的自然而然。在创业公司（startup）工作的好处就是，可以更全面的接触系统各个方面的技术，更直接的观察公司的运作，与同事的关系也简单融洽。小公司更缺人才，他们会更不惜代价引进一个人。另外，小公司的面试难度相对较小，毕竟申请的人也较少。最后，如果小公司成功被收购甚至上市，那你通过股票的收入很可能会远大于工资所得，而且你更容易进入公司高层。所以，如果你考虑直接找美国工作，不妨也试试小公司，至少可以作为一个跳板。一旦你进入了这个圈子，工作机会也就慢慢铺开了，用不了多久猎头们就会盯上你，成天鼓动你跳槽。

大家都知道，通过网络申请工作是很便捷的方式。对于大公司，你的简历通常是储存在数据库里，他们需要招人的时候就从数据库里搜索关键字，比如 Python，recommendation systems，只有当你的简历里包含了关键字，才会被调出来仔细看。从这个角度来说，知识和能力的广度是很有帮助的。

但更多时候，深度可能更为重要，因为这里通常不缺泛泛的程序员，缺的是在某个特定领域的人才，比如搜索、推荐、机器学习、网络安全等等，这个时候你的竞争力才能充分体现出来。这里牵涉到一个职业发展规划的问题，是走全面路线还是走专业路线。前者的目标是一个优秀的程序员、构架师，可以胜任任何编程工作，可以构建任何系统。这种人的就业面宽广，但面临的竞争对手也多。后者是一个专业型或研究型人才，可以解决某个领域的问题，而这些问题需要编程以外的知识和能力，比如知道怎样优化搜索效果，理解personalization的一些关键技术，懂得如何分析数据和各种model，了解常见的攻击方法和安全协议，等等。这种人才工作机会相对较少，但竞争也较少，而且位置可能更重要。无论选择哪一条路线，你都应该清楚你的职业规划，平时努力提高专业技能，换工作时力图延续你的发展路线，而不是盲目的到处撒网，或仅为薪酬而跳槽。

选择了工作方向，下一步就是投简历。单纯只投简历，有时效果不好，容易石沉大海。其实在硅谷有很多猎头和HR，他们在不停的寻找人才，再输送到各个公司。如果他们能对你有兴趣，那机会就大多了。而你要迈出的第一步是让猎头或招聘主管能找到你。

最简单的办法是在linkedin和几个知名求职网站上发布你的英文简历，当然你也可以主动联系猎头。我经常收到一些猎头的email，大部分都是通过linkedin上找到我的，少数通过facebook或其他途径，但几乎都是通过Internet找到我的。

另一个通往面试的捷径是通过内部推荐。在美国找工作非常看重推荐的。通常如果你为公司推荐了一个人并被录用了，你也能拿到一笔不菲的奖金，比如几千美金。而且公司内部的人说话比猎头更有份量，所以如果你认识一些朋友在国外公司或跨国公司，不妨请他们帮你推荐一下，你的简历被看中的可能性会大大提高。

还有一个被人找到办法是参加开源的项目，多写技术博客，参加一些专业竞赛，比如编程竞赛、某些学术会议的竞赛，一些公司组织的竞赛等等。这些不仅是对你能力的锻炼，也能提高你的知名度，写在简历里也很光彩，是让别人找到你和了解你的最佳途径。

至于硅谷公司的面试，也并非高不可攀，绝大部分还是考那些基本功，比如数据结构和算法，对面向对象编程的理解，某些语言的特性，领域内的专业知识，等等，跟国内的面试差不太多。偶尔可能需要一点小聪明，但传说中的“下水道盖子为什么是圆的”这类面试题，也不过是传说而已。面试的资料很容易找到，下面也给了链接，充分准备就好了。不管面试有多难，其实都是可以准备的，就看你功夫下够了没。要在美国工作，当然英语听说读写也要足够顺畅流利，但并非要很好才行。一般对于技术人员的语言要求不算太高，但如果你的英语还有障碍，那最好还是要努力提高，否则你的职业发展会出现瓶颈，因为没人愿意跟交流困难的人共事。

顺便说说欧洲的工作。欧洲（还有加拿大）与美国最大的不同在于，那边一般是福利社会，工作压力通常没有美国这边大，社会福利要比美国好，治安更稳定，但平均而言工作机会没美国多，收入要低于美国，物质上也没有美国便宜丰富。总的来说，欧洲是一个更适合安居的地方，而美国则是一个更适合乐业的地方，当然具体而言也是应人而异，并不绝对。欧洲许多国家，尤其是西欧和北欧，英语非常普遍，很多技术工作只要求英语，很多当地留学生也是只会英语。所以你也可以考虑欧洲的工作，而那边的签证相对美国而言也要容易许多。

最后，希望有志于出国工作的同学朋友，多一份勇气，多一点自信，多一分准备。人有点梦想总是好事。

H1B Visa: http://en.wikipedia.org/wiki/H-1B_visa
Linkedin: http://linkedin.com
San Francisco Bay Area IT jobs (mostly small companies): http://sfbay.craigslist.org/sof/
Top Job websites: hotjobs, monster, careerbuilder, indeed, dice, etc.
IT Interview puzzles: careercup.com
Job Wages: myvisajobs.com, glassdoor.com, salary.com

您可能也喜欢：
推荐解释可以增加用户的信任	［转载］互联网的“相关性时代”（the Age of Relevance）	转载：推荐系统应用研究：音乐电台	[转载] APP汇：基于新浪微博的App分享推荐平台	Clicker利用Facebook社交数据为你推荐视频
来自无觅网络的相关文章：
代友招人1：个性化推荐产品经理@当当 (@guwendong)	代友招人2：数据挖掘实习生@当当 (@guwendong)	代友招聘：豆瓣寻人 (@guwendong)	代友招聘：搜索产品经理@饭统网 (@guwendong)	由51job开始向个人求职者收费说起 (@alibuybuy)
无觅

作者：张子柯 瑞士弗里堡

但凡看过情景喜剧《天才也性感》（原名：The Big Bang Theory）的人，我想没有不被剧中人物谢尔顿（Shelton）的那种与生俱来的古灵精怪、单纯的性格和执着的信念所吸引的。理论物理学家这个职业的具体内容也随着谢尔顿的出色演出而逐渐被广大观众所熟知。该剧由浅入深的将我们日常生活中所存在的大量物理学现象娓娓道来，从而使得非物理专业人士也能快速理解各种生活现象背后看似深奥的原理。热传导(Heat Conduction)便是众多普遍存在的物理现象中的一种。所谓热传导，是热传递三种方式（即热传导、热对流和热辐射）中的一种。它的工作原理非常简单：当两个不同温度的物体相接触时，热量会从温度高的物体传递到温度低的物体上，直到两者的温度相同，所以热传导方法有助于提高系统中低温度物体的温度。而我们知道，在信息极为丰富的互联网中，对于用户来说，最为迫切问题就是如何帮助他们找到那些他们所感兴趣但不易找到的信息。而这也正是推荐系统所最为关注的问题之一。假设以精确性为衡量一个推荐系统好坏标准的话，那么只要将算法设计得更加容易推荐那些热门的物品即可。举个例子来说，对于一个电影网站，如果一味的倾向于向用户推荐《阿凡达》、《功夫熊猫》之类的热门大片，固然用户会喜欢，推荐的精度也会很高。但这样的推荐结果对于用户来讲是没有任何信息含量的（因为大家早就通过各种渠道了解到了）。反之，如果能够推荐一些适合用户喜好的，但鲜有人关注而用户还不知道的影片。因为长尾效应的存在，推荐那些被收藏次数少、质量高的影片反而能起到“四两拨千斤”般的“惊艳”效果，从而提高用户对系统的信任和黏着性。正是基于这些考虑，近来一些物理学家尝试将热传导的方法应用到推荐系统中来，期望可以利用热量传递的原理，合理的提高温度较低物体的温度，更有利用推荐算法来发现那些不易被用户所察觉的“冷点“信息（即被收藏次数较少的物品）。

有了这个想法，在没有其他额外信息（如用户属性，物品属性、描述等）的情况下，利用网络结构（只有节点和连边）来实施基于热传导的推荐方法便成了第一选择。事实上，对于一个固定的网络结构来说，是比较容易应用热传导方法的。因为网络中的节点可以看做是物体，而是否有连边则可看做是两个物体是否有接触。能量只会在有连边的两个节点之间进行传递。那些被收藏次数多的物品可以看做是温度较高的“热点”，被收藏次数少的物品则可以看做是温度较低的“冷点”。能量根据连边的由温度高的节点流向温度低的节点。不难想象，只要给予足够长的时间，所有节点都会达到相同的温度。这种稳态将最大限度的发掘出所有隐蔽的“暗信息”。但很可惜，面对所有温度相同的物体，此时任何推荐算法都会一筹莫展： 如何从中选取合适的物品给用户呢？于是，精确性和多样性便组成了一把双刃剑，综合起来衡量推荐结果的质量。具体来说，就是考虑温度传递的步数与推荐效果的关系。从目前的实验结果来看，在用户—物品组成的二部图中，两步传递会得到较好的推荐结果。多步传递由于涉及到了重复的全局信息，在没有考虑这些重复信息的负作用时，将会得到比较差的推荐效果。因此，从简单和便于实现的角度来说，两步传递是目前热传导方法所采用的主要方法。

另外，物理学中还有一种被称之为物质扩散(Mass Diffusion)的方法也被广泛的应用到推荐系统中了。从本质上来讲，物质扩散等同于推荐系统的常用的随机游走（Random Walk）方法，只是不同学科对相同方法的不同称呼而已。基于物质扩散和基于热传导的推荐算法的区别在于： 基于物质扩散的方法在进行个性化推荐时，系统的总能量是保持不变即守恒的；而热传导在推荐过程中，目标用户（即被推荐用户）的收藏品将被视作恒温热源，源源不断的给系统提供能量，所以系统的总能量随着传递步骤的增加是在不断增加的。换而言之，对于物质扩散，相当于有固定的初始能量在系统中传递，最后的系统稳态结果是和节点度（即物品被收藏数目）成正比的，所以它倾向于推荐那些度较大（较流行）的物品，相当于一个凸透镜，将用户的视野汇聚在那些较流行的节点上，从而也就不难理解这种方法会对提高推荐的精确性有很大帮助。而对于热传导，因为热源存在的缘故，从而保证系统中有足够的能量可以传递到那些“冷点” 上。也正是这个热源的存在，导致系统的最终稳态结果是所有节点温度相同，所以相对于物质扩散来说，热传导倾向于推荐那些度较小（较不流行）的节点，相当于一个凹透镜，把用户的视野发散到了那些较不流行的物品上，从而提高了推荐的多样性。文献[7]将两者结合起来设计了一套行之有效的混合算法，发挥二者的优势，同时在精确性和多样性上提高了推荐算法的性能。

目前的科学研究越来越向交叉科学方向发展，各领域相互学习、借鉴和渗透的趋势也越来越明显。在为各学科提供新鲜血液的同时，也由此诞生了很多新兴学科和研究方向，如生物物理、信息物理、金融物理、经济地理等。物理学作为一门基础性学科，其解释日常生活现象背后原理的优势使得它更容易的被其他学科所认同和接受，并迅速在各学科得到广泛应用。因此我们有理由相信，除了热传导和物质扩散，会有其他的物理学方法和原理将被应用到推荐系统中来，为这一新兴领域的发展壮大添砖加瓦。

附：关于热传导和物质扩散这两种物理方法在推荐系统中的应用，有兴趣进行深入研究的读者可以参考以下论文：
[1] Physical Review Letters, 99 (2007) 154301
[2] Europhysics Letters, 80 (2007) 68003
[3] Physical Review. E, 76 (2007) 046115
[4] Europhysics Letters, 81 (2008) 58004
[5] New Journal of Physics, 11 (2009) 123008
[6] Physica A, 389 (2010) 179
[7] PNAS, 107 (2010) 4511

您可能也喜欢：
转载：推荐系统应用研究：音乐电台	Reculike : 开源论文推荐系统	推荐系统开源工具 – SVDFeature	2011推荐系统论坛	转载：探析数字音乐个性化推荐系统
无觅

Greg Linden 毕业于华盛顿大学计算机学院，1997 年加入 Amazon，开发了享誉业界的 Amazon 推荐引擎。
著名的 Item-based 推荐算法的提出者之一；Findory.com 创始人。
其 Blog – Geeking with Greg 是个性化推荐领域最有影响力的博客（没有之一）。

译者：谷文栋 (clickstone)

想想看，一个热情有余但经验不足的研究生，外加一个新鲜出炉的 MBA，这样一个 team 能搞出什么名堂？是的，我不说你也能猜个大概。

我在亚马逊的第一个项目是团体折扣。虽然不作市场营销，但我相信，折扣是市场营销人员喜欢使用的促销工具之一。想要更多的消费者？打折出售。想要新客户？给他们首次购物优惠。

选择性折扣实际上违反了亚马逊的一些基本理念。杰夫（亚马逊创始人）的理想是把亚马逊打造成“网络上的沃尔玛”，无需打折天天都是低价。然而，新组建的营销团队还是认为，如果不能够把打折作为可供选择的促销手段之一，他们无疑缺少了一个杀手锏。

搞这个事情注定有人要当炮灰，不幸的是，我被推上了前线。作为一名人工智能专业毕业的程序员，我显然还不够智能，在项目开始时根本没有预测到结果。修改价格策略，会触及到网站、数据仓库以及结算，我以为借这个机会，我可以潜入整个系统内部去。我兴奋极了，要知道，那些代码都很有料。

说干就干，一名电脑 Geek，一名 MBA，我们两个刚加入公司不久的新人，磨拳擦掌。这个项目是我们的，我们来规划它，我们要搞掂它。

让两个不熟悉业务的新人搭伙本就已经糟透了，在这种情况下，我的热情更像是火上浇油。我开始收集与任务相关的需求。大家的想法多如泉涌，需求清单也越来越长。当询问“你是否需要…”的时候，得到的回答总是“Yes”。很快，我们的需求就演化成了搭建一套庞大的折扣系统，基于一些特殊的 URL 通道，允许进行个体折扣，团体折扣，限时促销，买 X 送 Y，你能够想到的所有促销方案，一个不落地进入了我们的需求清单。

我们有些坐不住了。作为刚离开校园的菜鸟，我懂得不多，不过我听到过这样的警告，项目膨胀会像冒着热气的粪球一样压垮你。现在，我已经开始闻到热粪球的气味了。

我试着缩减项目的范围。在对所需的代码修改进行分析之后，我建议以更简单的优惠卷的方式取代团体折扣。除了不太复杂的方式（类似“满 $Y 减 $X”）之外，仅限在订单的底部给出折扣信息，而不是几乎网站的每个页面上。

优惠卷方案受到了强烈地抵制。他们想要团体折扣。他们想把折扣信息弄到网站的每个页面上。我做了一些原型想要平复他们的热情结果也基本上是于事无补。只要一看到书籍详情页面，他们就会说，“AARP（译者：RP值为2A）的会员另加 5% 的优惠！”，或者“AARP 价格：$X”，而且对这个问题，他们就像在捍卫自己的名誉一样，坚持不肯让步。

于是，我开始编写代码了。

刚开始，我对 Oracle 数据库一无所知。幸运的是，我在一家书店工作。我一头扎进技术书籍里，像看漫画一样，饶有兴致地学习数据库知识以及如何作出良好的设计。我完成了一个差不多有十二张表的数据库设计，尽管我已经尽了全力，但第一次的评审结果还是彻底的杯具了。

我硬着头皮继续作。不得不在网站上几乎每一个页面插入回调，详情页面，搜索结果，导航页面，主页，购物车，订单。这些回调用来计算折扣，改变页面上的措辞。不得不创建一些专门供团体折扣成员使用的新页面。还有会计和客服工具也不得不进行相应的修改。此外还要开发新的工具，用来创建、修改和维护各种折扣信息。

这个工程如此浩大，不过到底还是做了出来，并且能够运转。天啊，我把团体折扣搞掂了。

可实际上，这是一次彻头彻尾的失败。营销团队在跑了六七个折扣方案之后，作出决定他们希望淡化折扣，还是天天低价这个来得更好。几年后，有人在亚马逊成功实施了一套优惠券系统。

这些老代码隐匿在字里行间，永远不死。好几次，我恳求着要去除团体折扣的代码，但总是杯具地被拒绝。那些回调就那样待了好几年，阴魂不散，每个遭遇到它的程序员都要白费时间弄明白它是干吗的，非常令人讨厌。

那些年，“团体折扣”简直成了我的梦魇，每当有人提起它我都痛苦不堪。甚至到现在，一听到它我就非常闹心。

您可能也喜欢：
Early Amazon: The first week	Amazon的个性化推荐	卓越亚马逊推荐机制的学习和探讨	YouTube转向Amazon的推荐算法	StumbleUpon + Hulu = ？
无觅

http://www.webpres-workshop.com/
2010年8月31日， 多伦多

随着网络应用的逐渐普及，信息过载的问题也日趋严重。在网络智能方面，个性化网络和推荐系统是应对信息过载的两个重要技术。个性化网络服务侧重考虑用户个人的兴趣和偏好。推荐系统则是依据用户个人需求推荐网络用户信息和产品。
近几年，个性化网络和推荐系统的相关研究已经取得了一定成就，然后挑战性的问题依然存在，如何使现今的研究取得突破性进展？如何将个性化网络和推荐系统相结合？如何将现有的网络个性化技术和推荐技术商品化？……
针对这些问题，这次研讨会希望参会人员通过交流可以进一步加强在个性化网络和推荐系统方面的研究:

• 交流对网络个性化合推荐系统的过去、现在、未来趋势的看法
• 从算法、用户接口到评估等方面分享开发有效推荐系统的研究成果和技术
• 探讨新的、革命性的方法

涉及的话题包括：

• 用户行为模型
• 协同和基于内容的过滤
• 推荐系统中的聚类
• 混合推荐系统
• 推荐系统中的安全和信任
• 自适应用户接口和个性化技术
• 议价和拍卖中的推荐系统
• 推荐系统中的解释和理由
• 分布式和点对点的推荐系统
• 社会化媒体站点的推荐应用
• 社会意识和可视化
• 个性化本体学习和挖掘
• 语义网技术
• 衡量个性化的有效性
• 推荐系统的评估方法

截稿时间:4月16日

2. ACM Recommender Systems 2010

http://recsys.acm.org/2010/
2010年9月26-30日，巴塞罗那

从2006年在美国的明尼阿波利斯举办第一届开始，ACM Recommender Systems逐渐成为推荐系统方向重量级会议之一。和往届会议一样，本届会议也将努力促进产业界和学术界之间的互动，相互分享在推荐系统方面的想法、遇到的问题和解决方案。论文集由ACM集结出版。
推荐系统涉及的内容十分广泛，应用领域从电子商务到社会化网络，涉及平台从互联网到移动网络甚至更广，相关技术种类繁多从协同过滤到基于案例的推理。

涉及话题包括：

• 推荐系统实现的案例研究
• 计算广告学
• 对话式推荐系统
• 上下文感知和多维推荐系统
• 推荐系统的评估
• 组推荐
• 实践中推荐的冲击
• 推荐应用的革新
• 机器学习和推荐系统
• 推荐系统的新范式
• 个性化
• 推荐算法
• 社会化网络中的推荐
• 推荐系统的界面
• 可扩展性问题
• 安全、隐私和健壮性
• 语义网技术
• 推荐系统原理
• 用户模型和推荐系统
• 用户研究

时间安排：

• 4月16日前 提交论文简介
• 4月23日前 提交论文全文

此外，我们注意到在Recsys召开之前，2010年9月20-24日在巴塞罗那还将召开一个相当不错的机器学习、知识发现方面的会议ECML/PKDD 2010 (http://www.ecmlpkdd2010.org/).这个会议涉及的不少内容与推荐系统是互通的，一次远行参加两个会议，应该是个性价比很高的选择。该会议要求4月23日前提交论文简介，4月30日之前提交论文全文。

您可能也喜欢：
Early Amazon: The first week	Gravity“兴趣图”能否实现互联网个性化？	无觅网络：1+1>2	[转载] APP汇：基于新浪微博的App分享推荐平台	移动应用推荐服务对开发者的帮助
无觅

今年KDD Cup的主要内容是通过智能辅导教学系统和学生交互的日志预测学生数学题的成绩。这次的任务是一次有趣的科技挑战，兼具实践重要性和科学趣味性。

任务描述：
竞赛开始时，将提供5个数据集：3个开发数据集和2个挑战数据集。每个数据集都被分为训练部分和测试部分。在挑战数据集的测试部分中学生成绩分类将被隐藏起来，但在开发数据集中学生成绩分类都是可见的。竞赛任务要求开发出一种基于挑战/开发数据集的学习模型，使用这种算法通过学习挑战数据集训练部分的数据，可以准确预测学生在测试部分的成绩。竞赛最终的优胜者取决于他们的模型在挑战数据集中一个不可见部分的表现。最终成绩以各队挑战数据集的最后一次提交为准。

时间安排：
3月15日 召集参与者
4月1日  比赛开始
6月1日  比赛结束

更多信息，https://pslcdatashop.web.cmu.edu/KDDCup/

您可能也喜欢：
［翻译］Is the KDD Cup really music recommendation？	KDD Cup 2011:Yahoo赞助的音乐推荐	Clicker利用Facebook社交数据为你推荐视频	玛丽莎•梅耶尔的大动作：无需搜索的Google——“相关发现”	浅析新闻推荐及个性化推荐的领域相关性
来自无觅网络的相关文章：
数据资料：一些很有用的数据 (@alibuybuy)	数据仓库的基本架构 (@alibuybuy)	数据挖掘是神马 (@alibuybuy)	数据分析三部曲 (@alibuybuy)	数据之美（下） (@alibuybuy)
无觅