學習到非常好的推薦系統的相關知識，轉來和大家分享，謝謝原作者！
介紹完推薦引擎的基本原理，基本推薦機制，下面簡要分析幾個有代表性的推薦引擎的應用，這裡選擇兩個領域：amazon 作為電子商務的代表，豆瓣作為社交網路的代表。
推薦在電子商務中的應用 – amazon
amazon 作為推薦引擎的鼻祖，它已經將推薦的思想滲透在應用的各個角落。amazon 推薦的核心是通過資料探勘演算法和比較使用者的消費偏好於其他使用者進行對比，藉以**使用者可能感興趣的商品。對應於上面介紹的各種推薦機制，amazon 採用的是分割槽的混合的機制，並將不同的推薦結果分不同的區顯示給使用者。
amazon 利用可以記錄的所有使用者在站點上的行為，根據不同資料的特點對它們進行處理，並分成不同區為使用者推送推薦：
值得一提的是，amazon 在做推薦時，設計和使用者體驗也做得特別獨到：
amazon 利用有它大量歷史資料的優勢，量化推薦原因。
另外，amazon 很多推薦是基於使用者的 profile 計算出來的，使用者的 profile 中記錄了使用者在 amazon 上的行為，包括看了那些物品，買了那些物品，收藏夾和 wish list 裡的物品等等，當然 amazon 裡還整合了評分等其他的使用者反饋的方式，它們都是 profile 的一部分，同時，amazon 提供了讓使用者自主管理自己 profile 的功能，通過這種方式使用者可以更明確的告訴推薦引擎他的品味和意圖是什麼。
推薦在社交**中的應用 – 豆瓣
豆瓣是國內做的比較成功的社交**，它以圖書，電影，**和同城活動為中心，形成乙個多元化的社交網路平台，自然推薦的功能是必不可少的，下面我們看看豆瓣是如何推薦的。
豆瓣的推薦是通過「豆瓣猜」，為了讓使用者清楚這些推薦是如何來的，豆瓣還給出了「豆瓣猜」的乙個簡要的介紹。
「你的個人推薦是根據你的收藏和評價自動得出的，每個人的推薦清單都不同。你的收藏和評價越多，豆瓣給你的推薦會越準確和豐富。
每天推薦的內容可能會有變化。隨著豆瓣的長大，給你推薦的內容也會越來越準。」
這一點讓我們可以清晰明了的知道，豆瓣必然是基於社會化的協同過濾的推薦，這樣使用者越多，使用者的反饋越多，那麼推薦的效果會越來越準確。
相對於 amazon 的使用者行為模型，豆瓣電影的模型更加簡單，就是「看過」和「想看」，這也讓他們的推薦更加專注於使用者的品味，畢竟買東西和看電影的動機還是有很大不同的。
另外，豆瓣也有基於物品本身的推薦，當你檢視一些電影的詳細資訊的時候，他會給你推薦出「喜歡這個電影的人也喜歡的電影」， 如圖 10，這是乙個基於協同過濾的應用。
在網路資料**的年代，如何讓使用者更快的找到想要的資料，如何讓使用者發現自己潛在的興趣和需求，無論是對於電子商務還是社會網路的應用都是至關重要的。推薦引擎的出現，使得這個問題越來越被大家關注。但對大多數人來講，也許還在驚嘆它為什麼總是能猜到你到底想要些什麼。推薦引擎的魔力在於你不清楚在這個推薦背後，引擎到底記錄和推理了些什麼。
通過這篇綜述性的文章，你可以了解，其實推薦引擎只是默默的記錄和觀察你的一舉一動，然後再借由所有使用者產生的海量資料分析和發現其中的規律，進而慢慢的了解你，你的需求，你的習慣，並默默的無聲息的幫助你快速的解決你的問題，找到你想要的東西。
其實，回頭想想，很多時候，推薦引擎比你更了解你自己。
推薦引擎內部的秘密3
聚類分析 聚類 clustering 就是將資料物件分組成為多個類或者簇 cluster 它的目標是 在同乙個簇中的物件之間具有較高的相似度，而不同簇中的物件差別較大。所以，在很多應用中，乙個簇中的資料物件可以被作為乙個整體來對待，從而減少計算量或者提高計算質量。其實聚類是乙個人們日常生活的常見行為...
推薦引擎分為哪幾類，個性化推薦引擎的介紹
在資訊時代的今天，大資料為使用者獲取方方面面的資訊提高了效率，更可以智慧型的幫助使用者從海量內容中快速找到想要閱讀的資訊，或者從海量商品中快速找到想要購買的商品。推薦引擎的發展讓選擇不明確的使用者更加了解她們的需求和喜好。下面以內容產品和電商產品為例，談談推薦引擎在產品中發揮的巨大作用。一 推薦引擎...
基礎推薦引擎的工程實現
接收請求 處理請求 返回結果 另一種就是離線處理 長期興趣 兩者結合就是整個推薦系統 一致性雜湊演算法在1997年由麻省理工學院提出的一種分布式雜湊 dht 實現演算法，設計目標是為了解決網際網路中的熱點 hot spot 問題，初衷和carp十分類似。一致性雜湊修正了carp使用的簡單雜湊演算法帶...