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...