转来一篇,本来想只转载地址的,可怕内容看起来不方便,作者也没说不可以转过来,于是把内容也转帖过来。来自:http://blog.csdn.net/lzt1983/article/details/7914536,有兴趣的可以到原博客去看看,真是辛苦博主了。
最近在做一个推荐的任务,头绪繁多,回头看看同行的工作,希望能有些帮助。
零零碎碎看过好多资料,有些已经忘记了,会慢慢补全。
视频类
Netflix: 很多方法的融合。可以参考我翻译的blog。
Hulu: 主要是item based CF。参考官方博客上的文章。
Youtube: 开始是random walk,后来改为类似item based CF的方法。这是他们算法团队发表的论文,以及recsyschina上的点评, 豆瓣阿稳的点评。
图书类
Amazon:好多方法都用了,主要是 item based CF。参考Greg Linden的论文。这里讨论了一下其推荐系统的有效性。另外,这篇博客有一个简要的讨论,包含pandora的推荐方法。
资讯类
google news:用了CF和bayesian的方法。CF论文,bayesian论文。
digg: 算法是 热门度+topic driven user based CF。官方博客找不到了,算法说明在这里,以及项亮大神的点评。
zite: 可以参考这里。
音乐类
last.fm:用的是CF。参考这里。
yahoo music:参考Koren的论文。
pandora: 音乐基因项目,主要依赖专家标注。参考这里,和这里,以及一篇对比的文章。
社交类
facebook: 算法叫Edgerank, 参考这里。
twitter:主要场景是推荐其它用户。参考官方介绍,以及这里。
linkedin: 负责人是Christian Posse,他们刚发表了一篇论文:“Mohammad Amin, Baoshi Yan, Sripad Sriram, Anmol Bhasin and Christian Posse: Social Referral: Leveraging network connections to deliver recommendations”。以及这里。
综合推荐
stumbleupon: 参考这里,网页上的图打不开了,放在下面。还有一篇综述的文章。
最后,搜集了一些关于推荐系统的文章。
比较杂的:相关性时代,推荐系统的机会,推荐系统的挑战,无处不在的推荐,推荐系统微观点
几篇阿稳大神的:推荐算法与推荐产品,集体智慧vs专家智慧,推荐算法vs过滤系统