既有搜索引擎，是否也有推荐引擎？
wanght
但悲惨的现实告诉我们，目前著名的推荐引擎都依附于某个平台上，如amazon、digg、netflix等
而且，这些平台初期也不是以个性化推荐技术作为卖点的，随着数据积累规模变大才逐步体现重要性
从商业角度，个性化推荐也面临着cold start的尴尬问题
从技术角度讲，收集用户数据的确是非常困难的事情，没有数据就没有推荐，没有推荐就没人来给你贡献数据。
从商业角度看，用户对信息质量的需求可能会是更为关键的因素，之所以这样讲，基于以下几个原因：
1、推荐技术多为各大平台的附属部分，扪心自问地说：如果砍掉推荐系统是否会危机他们的主业？
2、除了我们这些信息的重度阅读者，更多的互联网用户是否有这么大的需求？
以上的质疑，是针对整个市场而提的，我觉得用户的需求、行为习惯还没有到培育出一个大的行业/市场的时机
因此目前个性化推荐技术只能存在于一些细分市场、大平台的补充环节，而很难独立成为一个巨人。
wanght
因为sina的核心部门在于编辑团队，编辑的眼光决定了新闻的流量，当未来人们的口味更趋小众时，技术会战胜编辑
这个趋势在digg身上应该是一个很好的体现吧
xlvector
我把搜索引擎比喻为炸弹，推荐系统是导弹。都是信息提供的方式，搜索引擎是全面轰炸，推荐系统是定点打击。在现代战争中，炸弹导弹都是很有用的。
不过更有用的是精确制导炸弹，嘿嘿。
On 8月4日, 下午6时07分, wanght <wangh...@gmail.com> wrote:
xlvector
google之前已经有很多公司培育了搜索的市场，所以google是在正确的时间正确的地点干了一件正确的事情，嘿嘿。
不过我非常赞同你对sina的看法，我也是这么想的。只是不知道这一天何时到来。
Feng Jing
但我依然坚信，技术会革了sina这种传统新闻媒体的命，会让他的地位有如传统的纸媒一样
因为sina的核心部门在于编辑团队，编辑的眼光决定了新闻的流量，当未来人们的口味更趋小众时，技术会战胜编辑
这个趋势在digg身上应该是一个很好的体现吧
On 8月4日, 下午6时07分, wanght <wangh...@gmail.com> wrote:
--
Feng
Internet Innovator
Gary Wang
raullew
xlvector
Feng Jing
Yuan Quan
google？或者先问推荐领域是不是能产生一个google？
这两年我们关注到，其实国外有些公司是有这个潜力的，并且正往这个方向走，从07年到现在，以mystrands为首的若干个专门做推荐的公司，陆续拿
到了几个M到几十个M的投资，就是在做这个事情。它们采用与第三方其他网站松散结合的方式，一般通过js从网页上捕获用户数据，然后将结果用rest
api返回给各网站，再按点击率或命中率相结合的方式来收费，在好几个领域都做了些成功的case，像b2c, banking, etc.
国内的话，上海麦路走的就是这条路，也是我看到的不多的走这条路的国内公司。
另外，推荐里面能否产生出一个google，我觉得更多的可能是个非技术问题。因为推荐和搜索相比，有个很不一样的特点是，搜索关注的对象是一元的，就
是item，搜索引擎的就是围绕着item，把索引、特征提取，ranking等做好； 而推荐关注的对象应该至少是二元的，除了item，还有用户、
领域等。所以一个大而强的google把互联网上的item（信息）都处理好是可行的，基于爬虫，对其他方的依赖少； 但推荐因为要考虑到用户和领域这
个维度，而用户的行为、领域的情况都是千差万别的，所以很可能就是case by case的，需要一个领域，一个公司这样的去做，才能有最好的效果；
如果想用个通用的算法，把所有的情况都统一起来，可能不是最好的办法。
一家之言，欢迎拍砖。
Gary Wang
国外的公司类型差别比较大，而且针对的领域也不同，出现类似google的公司恐怕还是很难。我想也许不一定要出现google，其他的商业模式可能更加适用于推荐，麦路公司在国内走的比较早，不过他的技术重心也许在旗下的发现宝业务，也是一个不错的购物搜索和推荐的网站。
clickstone
我虽然自打了解了推荐系统之后，就始终坚信这个一定是 next big thing。但这个事情如何做大，我也挺困惑的。
大部分的推荐算法，都是和数据集相关的，最起码都有那么几个参数，是要根据数据集的特点进行trial-and-error的。
这就导致了推荐很难像搜索那样作成一个通用的引擎，而是像 wanght 提到的这样，依附在一个大平台上，不断地调优，慢慢地显现威力。
我自己总结了下，人在互联网上的需求，其实和人在真实社会里的需求是一致的。
以"我"为出发点，大致有这么 3 个。
一、我找物
或者泛点儿说，找内容。这个也是互联网的初衷，是第 1 条线。
这条线的发展轨迹：Directory --> Search Engine(txt --> image --> voice -->
video) --> (Human) Filter --> Recommendation --> ?。
* Directory：我不知道网上有什么，你列出来给我看。Yahoo
* Search Engine：我相信网上什么都有，我自己把它找出来。Google
* Filter：网上内容太多了，需要(专家)帮我去其糟粕取其精华。Digg，Wikipedia
* Recommendation：阿门，把我喜欢的给我吧！Amazon
二、我找人
伟人说过："与人斗，其乐无穷"！内容是死的，不能产生互动；只有人才可以。篡改一下名言，我必须知道网络的那头是条狗----这样我给它根骨头他就过来
了。
三、我的活动
我需要物和人都找到了，后面其实和现实需求都差不多了，收藏，分享，聊天，购物，交友，娱乐。
后两个不细说了，第一个非常典型的和人们在实际社会的现状相契合。这是一个"少->多->精"的自然发展。因此，或者是
Recommendation Engine 替代掉 Search Engine；或者是 Search Engine 把
Recommendation Engine 融合进来；更现实的是两者并存互为补充。但无论如何，Recommendation Engine 一定
会有自己的一席之地，而且一定是举足轻重的。将来的 Recommendation Engine 具体的形式不好说。即使是 Amazon 这样目前
推荐系统的翘楚，是不是就一定是最好的方式，都不好说。像 Facebook 这种大平台，能给推荐带来哪些可能，都很值得思考。
我个人认为，现在还很难找到 wanght 这个问题的答案。但我坚信推荐这个方向没错，慢慢来吧，哈哈。
On Aug 4, 6:07 pm, wanght <wangh...@gmail.com> wrote:
Shoukun Wang
1. 推荐系统目前最大的问题不是技术，而是没有合适的产品形态。搜索这种产品形态存在很久了，互联网之前就有，并且大家广泛接受，因此要作的是寻找更
好的技术和合适的商业模式。推荐面临的问题是没有大家认可的产品形态，只能依附在别的产品上，并且由于这个产品本身不是为推荐设计的，80%的功能不是
靠推荐来解决，推荐做得再好，也只是优化剩下的20%
2. 关于小众与大众，我的看法与上面的几位同学有点差异。用长尾理论的话来说，大众是头，小众是尾，只是我认为与长尾理论这本书说的不同，在可预见的
未来，这个头不会变平，会更尖，热的会更热。长尾很难从短头抢生意，只是头变高了，总有东西会滚下来，长尾也会变高。基本上，介入一个领域后，想作大事
情，最先满足的一定是大众的需求。大众需求的特质就是磨平个性，小众是强调个性，这就像麦当劳和精品私房菜、成衣和裁缝的关系。
3. 目前我们所讨论的基于算法的"推荐"，满足的是小众的需求。这不是故意这样设计的，而是迫不得已，因为大众化的需求有其他更便捷、成本更低廉的方
式获取，用推荐来作这个，得不偿失。在获取信息的相关领域，搜索引擎满足的是大众的需求，并且性价比最高的满足了这个需求，推荐要挤进这个领域，目前只
能去作长尾。
4. 不过这并不是说推荐没得做，yahoo在做头的时候，google也在长尾里。如果推荐能够找到一种合适的形式，以更高的性价比满足大众化的信息
获取的需求－－一定是大众化的，就可以反客为主。即便挤不进短头里，在长尾也不是一定没有前途。
5. 我个人倾向于推荐无法单独作为一个产品出现，但与搜索不同，推荐的应用领域不局限于互联网，并且，未来推荐很有可能作为一项基础技术的面目出现在
各种应用场合，类似模式识别技术、虚拟现实技术、触感技术等等。
xlvector
> 各位好，文栋邀请我加入这个组之后，还没顾得上发言，看了这个帖子正好有些想法和大家分享，思路还没理清楚，只是简单列一下：
>
> 1. 推荐系统目前最大的问题不是技术，而是没有合适的产品形态。搜索这种产品形态存在很久了，互联网之前就有，并且大家广泛接受，因此要作的是寻找更
> 好的技术和合适的商业模式。推荐面临的问题是没有大家认可的产品形态，只能依附在别的产品上，并且由于这个产品本身不是为推荐设计的，80%的功能不是
> 靠推荐来解决，推荐做得再好，也只是优化剩下的20%
>
> 2. 关于小众与大众，我的看法与上面的几位同学有点差异。用长尾理论的话来说，大众是头，小众是尾，只是我认为与长尾理论这本书说的不同，在可预见的
> 未来，这个头不会变平，会更尖，热的会更热。长尾很难从短头抢生意，只是头变高了，总有东西会滚下来，长尾也会变高。基本上，介入一个领域后，想作大事
> 情，最先满足的一定是大众的需求。大众需求的特质就是磨平个性，小众是强调个性，这就像麦当劳和精品私房菜、成衣和裁缝的关系。
>
> 3. 目前我们所讨论的基于算法的"推荐"，满足的是小众的需求。这不是故意这样设计的，而是迫不得已，因为大众化的需求有其他更便捷、成本更低廉的方
> 式获取，用推荐来作这个，得不偿失。在获取信息的相关领域，搜索引擎满足的是大众的需求，并且性价比最高的满足了这个需求，推荐要挤进这个领域，目前只
> 能去作长尾。
这个想法有意思
>
> 4. 不过这并不是说推荐没得做，yahoo在做头的时候，google也在长尾里。如果推荐能够找到一种合适的形式，以更高的性价比满足大众化的信息
> 获取的需求－－一定是大众化的，就可以反客为主。即便挤不进短头里，在长尾也不是一定没有前途。
>
> 5. 我个人倾向于推荐无法单独作为一个产品出现，但与搜索不同，推荐的应用领域不局限于互联网，并且，未来推荐很有可能作为一项基础技术的面目出现在
> 各种应用场合，类似模式识别技术、虚拟现实技术、触感技术等等。
是，任何网站都可以因为推荐系统而更好，但推荐本身很难成系统。
Gary Wang
未来，这个头不会变平，会更尖，热的会更热。长尾很难从短头抢生意，只是头变高了，总有东西会滚下来，长尾也会变高。基本上，介入一个领域后，想作大事
情，最先满足的一定是大众的需求。大众需求的特质就是磨平个性，小众是强调个性，这就像麦当劳和精品私房菜、成衣和裁缝的关系。
这样，就像Shoukun说的一样，头变高，尾巴也变高和变长，这样下面的面积更大，也就是销售更多，点击更多。
5. 我个人倾向于推荐无法单独作为一个产品出现，但与搜索不同，推荐的应用领域不局限于互联网，并且，未来推荐很有可能作为一项基础技术的面目出现在
各种应用场合，类似模式识别技术、虚拟现实技术、触感技术等等。
raullew
理由和你不大一样
不是从使用者的角度，需要"某种"的推荐服务
而是一个（大）网站（信息发布者），总是内容远远多于可展示的"栏位"
如何使每一次点击，都赚到尽可能多的利益（一个PV引发足够多的IPV），就要求展示对于用户尽可能相关的内容
因此，在你的Directory、Search Engine、Filter、Recommendation。。。中，每一步都是推荐
这就是我理解的"推荐"，它不是某个产品或者网站的附属品，而就是这个信息时代的使命
On 8月5日, 上午10时56分, clickstone <wendell...@gmail.com> wrote:
> > 因此目前个性化推荐技术只能存在于一些细分市场、大平台的补充环节，而很难独立成为一个巨人。- 隐藏被引用文字 -
>
> - 显示引用的文字 -
Shoukun Wang
由于不少同学是做这行的，包括我自己，因此提到"推荐"，就是指个性化推荐，是CF, bayes, association rules,
SVD, MF, RBM 等等一系列技术所组成的范畴的统称。推荐的确是古已有之，排行榜是推荐，新浪的首页是推荐，搜索引擎针对关键词返回的页面是
推荐，零售超市的货架也是推荐。只是这些"推荐"不是个性化的，它不会针对某个个体作出调整。
以上的这些讨论，包括主贴，指的都是个性化推荐，而不是一般的推荐。我同意你所说的内容相对展示位过剩的说法，在用户这边，表现形式是信息过载，这是一
个硬币的两面。个性化推荐技术诞生之初，就被大家寄予厚望认为是解决这个问题的金钥匙，被认为是比排行榜、编辑推荐、搜索引擎的排序算法更能够满足用户
在这方面的需求。只是到目前为止，这项技术还没有找到适合自己的呈现形式，真正达到人们的期望。
clickstone
但我个人的意见，正向我上面说的，我并不认为现在流行的推荐系统就一定是最好的了，这里面的想象空间还很大。
其实推荐和搜索一样，归根到底都是解决"发现+质量评价"的问题。搜索技术里，query是一种发现，pagerank是质量评价；协同过滤技术里，确
定候选集是发现，预测rating或者topn是质量评价。协同过滤是一种方式，一定还存在其他的方式。比如基于semantic web的推理，或者
sns里面的好友推荐，这里面也许就可以找到适合大众化的产品形态。
另外一点，推荐还可以更智能化，尤其是进入某些垂直领域。比如旅游，国外有个网站，你把预定好的机票和酒店提交上去，他会自动建议你一些行程安排。我想
这些都代表着推荐系统的可能性。
让我们发挥想象力吧，现在应该还不是给推荐系统盖棺定论的时候。
On Aug 5, 6:17 pm, Shoukun Wang <wskin...@gmail.com> wrote:
xlvector
现，那是工程师的事情，他就负责想象。
clickstone
术来打广告。
我非常赞同，recommendation "就是这个信息时代的使命"！
xlvector
类似的）利用推荐技术提高广告的定向精度。我应该不久就可以拿到这个相关的数据集。
Feng Jing
--
Feng
Internet Innovator
raullew
凡是满足了相关性的推荐都是个性化推荐
凡是不满足相关性的个性化推荐都不是推荐
注意到前面我小心的使用了"展示对于用户尽可能相关的内容"这样一个短语
什么是对于用户尽可能相关的？我认为，一问一答是最快接近这一目标的，表现在现有web产品上，即，搜索最相关
什么是个性化的？我认为，人类所有主动行为都是个性化的，当（系统）看到我在挠痒痒，决不是因为神经反射。因此，个性化推荐的最佳时机，发生在人当下的
主动行为（这里有个例外，就是sns推荐，这里有人的好奇心、群聚性在驱动）。
于是，我可以举一个个性化推荐的例子
我去店里买一个手机，告诉（可以是一次搜索、一次点击超链接等）业务员（推荐系统）某些条件（价格、功能、样式等），这时，业务员所作的就是一次个性化
推荐，尽管，这里任何其他人去开同样的条件，业务员的推荐list不会变。它确实不会针对某个个体作出调整，但它已经把"个性化"拿下！
难点在于如何让机器理解"个性"。
比如上一个旅游订票网站，我要求尽可能快的行程、便宜的酒店价格、更多的观光景点，请给出一些备选。这就是个性化推荐。为什么人们此时会求助于同事朋
友？因为某些个性化尚不能被机器理解，也不能被机器计算，这些推荐以经验的形式存储在人的记忆中。
我要大众点评网推荐一些好（这样那样的定义）的菜馆给我，系统又该怎么做？
所以，我对个性化推荐的理解，就是，当我主动行动时（不管是看起来目的明确与否），返回给我对应于该行为最相关的条目，我的其它个性，可以作为调剂品
其本质，不是为不同的人返回不同结果，但它还是会表现出为不同的人返回不同结果的形式----因为它能为之提供推荐的输入可以是个性化的了
> > > - 显示引用的文字 -- Hide quoted text -
>
> - Show quoted text -
xlvector
On Aug 6, 12:43 am, Feng Jing <scenery...@gmail.com> wrote:
> 个人认为推荐做广告比较靠谱。其实behavior targeting都可以认为是个性化广告推荐。另外，google的interest
> ads也是。更广泛的说，amazon的推荐可以看做是站内的广告:-)。另外，推荐广告和推荐内容对推荐精度的要求也会有比较大的差别。用户是可以接受不太准确的广告的。但对推荐的内容会比较挑剔。
>
> 2009/8/5 xlvector <xlvec...@gmail.com>
Yingfeng
我觉得与其思考是否后者能否也出现个类似google的big thing，还不如考虑如何综合两者，在某个垂直方向提供最舒心的服务来得可靠。
search和recommend对amazon都很重要。
因为有google，所以推论push也该有引擎，我觉得这种思维角度有些理想化，因为在某个方面的对应并不一定着在所有方面都该成为pair
wanght
ad-network
clickstone
Jingjing Deng (Bruce)
我们公司现在刚刚用Netflix的东西帮一个客户做risk model，效果十分不错。
Jingjing Deng
晨醒
On 8月6日, 下午3时21分, "Jingjing Deng (Bruce)" <bruced...@gmail.com> wrote:
> 其实国外用的蛮多的，从response model 到risk model 都有蛮多实践的东西的。
> 我们公司现在刚刚用Netflix的东西帮一个客户做risk model，效果十分不错。
>
> 2009/8/6 clickstone <wendell...@gmail.com>
Ya (Larry) Luo
google确定游戏规则之前, 资源的所有者还没有认识到资源的价值. 而对推荐来说, 现在大家都学精了, 大多数有商业价值的信息都是所有者的
"most valuable asset".
所以, 目前, 推荐系统作为 a technology in search for a market, 要么是在大的information
owner内部自己开发, 要么是作为 general tool/technology/service provider for 中小用户 (已
经有很多startup在做, 像directededge), 要么找一个足够大的niche market, 专心做到最好, 比如专门推荐电影或
餐馆 (不过, 对于这一类, 成功的关键往往不是推荐系统本身, 而在于how to provide good service and
build a community.)
另一个找information source的方法是从free webpage 里慢慢淘, 由于Google已经占据这一块, 大多数做这个的都
会在早期被google收购.
wentrue
一方面现在的推荐引擎都是公司相关、领域相关、数据相关，要像搜索引擎那样做到大一统难度很大，最关键在于没有大公司会愿意做（或接受）这个事情。
另一方面搜索引擎成长起来的土壤是互联网方兴未艾之时，每个技术过关的团队都可以做搜索引擎。彼时信息呈爆炸性的增长，搜索引擎满足了用户最急切的信息索取需求。而推荐说到底是在信息丰饶时代产生的，需求没有那么迫切，而且做起来数据门槛也比较高，说到底只有那些企业内部才能做得好，不具备草根性，就不可能产生革命性。
最后，搜索引擎与推荐引擎都是为了给用户更合适的信息，他们都只是一种临时的解决方案。我预期将来的解决方案会是算法与人的因素结合，算法可以帮我们做一部分，而我们利用自己构筑的SNS实现另一部分，当然算法也可以对已有的信息关系网络建模，但作为群体的人的因素，只会更重要。
这个问题，我在2006年就在琢磨，既然搜索引擎市场能培育出Google这么一个大家伙，那么推荐/发现引擎市场呢？
但悲惨的现实告诉我们，目前著名的推荐引擎都依附于某个平台上，如amazon、digg、netflix等
而且，这些平台初期也不是以个性化推荐技术作为卖点的，随着数据积累规模变大才逐步体现重要性
从商业角度，个性化推荐也面临着cold start的尴尬问题
从技术角度讲，收集用户数据的确是非常困难的事情，没有数据就没有推荐，没有推荐就没人来给你贡献数据。
从商业角度看，用户对信息质量的需求可能会是更为关键的因素，之所以这样讲，基于以下几个原因：
1、推荐技术多为各大平台的附属部分，扪心自问地说：如果砍掉推荐系统是否会危机他们的主业？
2、除了我们这些信息的重度阅读者，更多的互联网用户是否有这么大的需求？
以上的质疑，是针对整个市场而提的，我觉得用户的需求、行为习惯还没有到培育出一个大的行业/市场的时机
因此目前个性化推荐技术只能存在于一些细分市场、大平台的补充环节，而很难独立成为一个巨人。
--
稳
Guozhu. Wen
mail: guoz...@gmail.com
douban: http://www.douban.com/people/wentrue/
blog: http://www.wentrue.net/blog/
twitter: https://twitter.com/wentrue
