年前，開始系統接觸推薦系統。說到這，我想提下，最早知道推薦系統，是源於研一的時候，一次實驗室組會，乙個本科生的畢設。他是用周的heat spread 方法，其實就是利用二部圖方法進行推薦。資料是乙個使用者和物品的連線關係的二部圖。其實，這個方法很簡單，也很容易實現。
但是，後來，開始接觸項亮的博士**的時候，開始知道推薦系統主流的方法：協通濾波。這裡用基於物品，基於使用者的。值得提的是，amazon主要是基於物品的。而youtobe也利用了協同過濾方法，但是裡面涉及到了乙個圖模型。
乙個簡單有效的推薦系統方法slopeone，主要是容易實現，時間，空間複雜度都得到了控制。
基於矩陣分解的推薦系統的方法，主要是利用svd方法，由於svd方法時間複雜度太高，隨之，推出了rsvd這樣的改進版本。矩陣分解模型是乙個基於模型的推薦系統方法，需要線下的訓練。在一些開源資料，movielens，netflix資料集上測試，基於這種模型的推薦系統的打分推薦，精度比較高。主要的評價標準有mse，rmse。
我主要是學習了yahoo研究院的koren的幾篇推薦系統的文章。他文章首先是構造乙個模型，模型裡面有使用者的偏置，物品的偏置，平均分，使用者向量，物品向量等。用隨機梯度的方法去優化這些引數。
2月份之前，我基本研究的推薦系統都是基於打分資料的推薦。
後期，開始思考top-n問題，網際網路中，有打分資料的資源是很少的。如微博，社交**等，只要些連線關係。更多的是二元關係，如果從這些資料中做出很好的推薦呢？ 這時候評價的標準已經不是rmse了，而是precision，recall等。
這樣的top-n問題，一方面，我們可以利用圖模型，進行簡單的推薦。但是，我感覺，那樣的連線關係還是太弱了，根本說明不了什麼？其實，可以，利用nlp技術，提取使用者的特徵，物品的特徵。所以無論是進行物品的推薦（電子商務），還是人的推薦（微博，社交**），也許是個方法。關鍵是如何進行提取有效特徵，我們知道現在資料太多，太稀疏，怎麼更有效。在得到特徵後，如何建立模型，進行top—n推薦，是個有價值的問題，不知道，學術界，工業界這塊是怎麼做的？
其實kddcup2012，就是這個主題。期待，那些精英們給我解決方案！
不得不說，個性化推薦是個很難得問題！
我讀我的Book
精神的食糧有點不足了，所以最近正在瘋狂補充營養，愛上看書。為了監督自個的進度，決定占個隨筆的位置。大家有什麼好的書籍或者資料的話，可以推薦下哈。reading 技術 2010 11 3 16 27 51 書籍寫的很全面，總體感覺還可以，不過好厚喲，上千頁哩。看到後來感覺有點看不動了。目前看到了通訊部...
全棧開發之我思
軟體行業應用層級別開發的必然歷史趨勢 應用層中商用級模組 api 框架 數量 越來越多 覆蓋面 越來越全 使用成本 越來越低 質量 越來越穩定 快速開發，敏捷開發要求 不重複造輪子，呼叫別人成熟的產品更快，不要再折騰自己，不然會陷入牛角尖裡，應用層，作業系統層，硬體層，電路，物理，高數.以上種種導致...
遊戲測試之我思與我想
遊戲尚未進入市場，沒有被玩家接觸到的時候，基本就是軟體開發流程，測試配合開發工程師進行一部分的操作，一般情況下，需要做的是以下的步驟 第一步 以正常玩家的名義進行模組的測試，提出自己的不足，比如這個模組我玩的時候，這兒感覺不懂，那兒感覺不對，這些都可以提成建議，放到案子中，拿給策劃審核，因為策劃同學...