王守崑 - 豆瓣在推荐领域的实践和思考

豆瓣在推荐领域的实践与思考胖子@豆瓣 2009.12.19

豆瓣的推荐引擎--豆瓣猜

豆瓣猜的产品形态喜欢XX的也喜欢豆瓣猜你会喜欢今日推荐围绕推荐设计的产品

什么样的产品适合推荐？具有媒体性的产品(MediaProduct) 口味(taste)很重要单位成本不重要有瀑布效应 (information cascade) 多样性

媒体类产品的数据特征

文章人图书条目数小组单曲唱片电影广告用户数

图书文章广告稀疏性人小组唱片电影单曲时效性

人文章图书多样性小组单曲唱片电影广告时效性

人文章图书多样性小组唱片单曲电影广告反馈

什么样的产品适合推荐？条目增长相对稳定能够获得快速反馈稀疏性、多样性和时效性的平衡

豆瓣的成长通过算法分析应对高成长性

推荐系统的可扩展性 User-Item矩阵，平均每行的非零元素个数是L个，考虑的计算复杂性假设A的非零元均匀分布，求S的非零元素个数 S中任一元素非零的概率为，

考虑A中的元素非均匀分布的情况 let according to Cauchy-Schwarz Inequality so

推荐系统的可扩展性降低存储空间近似算法/分块并行/分布式计算

推荐系统面临的挑战产品形态推荐是一项技术还是一种产品/功能？推荐能否有独立的产品形态？

兴趣过多推荐质量冷启动用户收藏

评价指标 Hit-rate / RMSE 点击率如何形成闭环？

黑盒推荐的问题倾向于给出平庸的推荐放大噪声有信息，无结构缺乏对用户的持续关注

Prediction 明确的优化指标静态模型/系统由数据形成信息

Forecasting 闭环的系统动态模型由信息形成知识

Recommendation 以用户为中心，建立用户行为模型有记忆的，进化的系统由知识形成系统结构

下一代推荐系统技术准备云计算 Open ID Semantic Web …

推荐 Anti-Spammer 信息过滤广告个性化技术机器学习用户模型 … 聚类协同过滤矩阵分解分类器

个性化推荐与非个性化推荐人人都需要过滤器？？

如何发现信息排序 (Ranking) 关联 (Correlation) 聚类/分类 (Clustering/Classification) 过滤 (Filtering)

一些有用的方法 EM Correlation Eigen Vector Bayes Boosting Meta-Heuristics

Algorithms should facilitate rather than replace social processes.

Recomendados