Archive | 五月, 2014

推荐引擎分类

本来是要着重了解CF的,考虑到完整性,完善背景知识,把推荐引擎的其他几种也参照下,便于对照和理解更深刻。过程中发现了其和数据挖掘中其他几种算法间的关系。主要摘自探索推荐引擎内部的秘密,第 1 部分: 推荐引擎初探这样一篇文章。可以理解为对该系列文章的学习笔记。

根据不同的数据源发现数据相关性的方法可以分为以下几种:

  • 根据系统用户的基本信息发现用户的相关程度,这种被称为基于人口统计学的推荐(Demographic-based Recommendation)
  • 根据推荐物品或内容的元数据,发现物品或者内容的相关性,这种被称为基于内容的推荐(Content-based Recommendation)
  • 根据用户对物品或者信息的偏好,发现物品或者内容本身的相关性,或者是发现用户的相关性,这种被称为基于协同过滤的推荐(Collaborative Filtering-based Re[......]

阅读全文

Tags:

Comments { 0 }

【转】Amazon.com的推荐:从商品到商品的协同过滤

推荐算法以其在电子商务网站的用途而著称,它们利用有关一个顾客的兴趣作为输入,来产生一个推荐商品的列表。很多应用仅仅使用顾客购买并明确表示代表其兴趣的商品,但它们也可以利用其他属性,包括已浏览的商品、人口统计特征数据、主题兴趣,以及偏爱的艺术家。

在Amazon.com,我们利用推荐算法,对每位顾客提供在线商店个性化。在顾客兴趣的基础上,商店有了彻底的改观,向一个软件工程师展示编程类标题,向一位新妈妈展示婴儿玩具。点击率和转化率——基于网络和邮件广告的两个重要评估指标——极大地超越了那些未定向内容,比如banner广告和热卖列表。

电子商务推荐算法经常要运行在一个充满挑战的环境里。例如:

  • 大型零售商有海量的数据,以千万计的顾客,以及数以百万计的登记在册的不同商品。
  • 许多应用要求结果实时返回,在半秒之内,还要产生高质量的推荐。
  • 新顾客很典型,他们的信息很有限,只能以[......]

阅读全文

Tags: , ,

Comments { 0 }

兰迪·波许教授的最后一课

偶尔整理硬盘时候发现的《兰迪·波许教授的最后一课》相关资料,包括视频,是08年的时候下下来看的,非常感人。

视频地址:兰迪·波许教授的最后一课

文 ? ? ? ?档:[兰迪·波许教授的最后一课].Randy.Pausch’s.Last.Lecture.Transcript

附Randy 语录:

  1. Brick walls are there for a reason: they let us prove how badly we want things.
    人生路上有阻挡你梦想的砖墙,那是有原因的。这些砖墙让我们来证明我们究竟有多么想要得到我们所需要的。
  2. Experience is what you get when you didn’t get what you wanted.
    当你得不到你想的到的东西时,你会得到经验。
  3. Never lose the[......]

阅读全文

Tags: , ,

Comments { 1 }