各大推薦引擎資料彙總

2021-06-08 21:52:23 字數 1155 閱讀 9607

最近在做乙個推薦的任務,頭緒繁多,回頭看看同行的工作,希望能有些幫助。

零零碎碎看過好多資料,有些已經忘記了,會慢慢補全。

netflix:很多方法的融合,策略可以參考我翻譯的blog,架構參考小魚兒師兄的blog。

hulu:主要是item based cf,參考官方部落格上的文章。

youtube:開始是random walk,後來改為類似item based cf的方法,這是他們演算法團隊發表的**。recsyschina上的點評, 豆瓣阿穩的點評。

圖書類

amazon:好多方法都用了,主要是 item based cf,參考greg linden的**。這裡討論了一下其推薦系統的有效性;另外,這篇部落格有乙個簡要的討論,包含pandora的推薦方法。

資訊類

google news:用了cf和bayesian的方法:cf**,bayesian**。

digg:演算法是 熱門度+topic driven user based cf,官方部落格找不到了,演算法說明在這裡。項亮的點評。

zite:可以參考這裡。

**類

last.fm:用的是cf,參考這裡。

yahoo music:參考koren的**。

社交類

facebook:演算法叫edgerank, 參考這裡和這裡。

twitter:主要場景是推薦其它使用者,參考官方介紹,以及quora上的討論。

linkedin:quora上有乙個詳細的說明。負責人christian posse在kdd2012上的slides。或者參考他們剛發表的

**。綜合推薦

stumbleupon: 參考這裡,網頁上的圖打不開了,放在下面。其實就是3條線:hot、friend-cf、user-cf。這裡有一篇綜述的文章。

比較雜的:相關性時代,推薦系統的機會,推薦系統的挑戰,無處不在的推薦,推薦系統微觀點

豆瓣阿穩的:推薦演算法與推薦產品,集體智慧型vs專家智慧型,推薦演算法vs過濾系統

葫蘆項亮的:推薦方面的資源,推薦演算法有效性

各大推薦引擎資料彙總

最近在做乙個推薦的任務,頭緒繁多,回頭看看同行的工作,希望能有些幫助。零零碎碎看過好多資料,有些已經忘記了,會慢慢補全。netflix 很多方法的融合,策略可以參考我翻譯的blog,架構參考小魚兒師兄的blog。hulu 主要是item based cf,參考官方部落格上的文章。youtube 開始...

Mapreduce 推薦引擎

購買過該商品的顧客還購買過哪些商品 給乙個商品,推薦購買過這個商品的使用者經常購買的五件產品 輸出是鍵值對,鍵是商品,值是5個商品的列表 map1 key userid value userid購買過的產品 map userid,item reduce1 reduce userid,item i1,...

推薦引擎分類介紹

搜尋引擎是當前快速查詢目標資訊的最好途徑。在使用者對自己需求很明確時,用搜尋引擎可以方便地通過關鍵字快速找到自己需要的資訊。但搜尋引擎並不能完全滿足使用者對資訊發現的需求,因為在很多情況下,使用者其實並不明確自己的需要,或者他們的需求很難用簡單的關鍵字來表述,又或者他們需要更加符合他們個人口味和喜好...