从工业角度谈推荐系统的过去、现在和未来（一）

主要综合下面三篇文章整理而成，信息量太大，所以在对应的地方也列出了一些可参考帮助理解的文章，有些地方还没看明白，会一直修改的应该。

1.原文：《 Past, Present and Future of Recommender Systems: an Industry Perspective》 by Amatriain (Quora),
Justin Basilico (Netflix) https://www.slideshare.net/xamat/past-present-and-future-of-recommender-systems-and-industryperspective
2. 原文：《Past present and future of Recommender Systems: an Industry Perspective》 by Amatriain
https://www.slideshare.net/xamat/past-present-and-future-of-recommender-systems-and-industry-perspective
3. 推荐系统老司机的十条经验
http://mp.weixin.qq.com/s__biz=MzA4OTk5OTQzMg==&mid=2449231408&idx=1&sn=e564d339803a04a59293c585b82a1a03

介绍：Xavier Amatriain 推荐系统专家、前netflix研究/工程主任、现问答网站quora工程副总裁

补充阅读：
1. 2016 RecSys 参会总结 https://www.douban.com/note/583716751/
2. Recsys 2014 Tutorial - The Recommender Problem Revisited，，Xavier Amatriain
https://www.slideshare.net/xamat/recsys-2014-tutorial-the-recommender-problem-revisited

---

下面开始。。。。
quora：
任务： to share and grow the world’s knowledge
核心因素：相关性、质量和需求。
三者同样重要，缺一不可。相关性（推荐用户感兴趣的items）、质量（要保持高用户留存率，高质量的items是一定要有的）、需求（推荐用户感兴趣的前提下，与此刻用户所处的情景最相关的）

数据：百万级问答对，百万用户，上千主题

Quora是以问答对与主题为核心把「知识」串联起来，然后基于用户的顶和踩等动作来划分内容质量，最后再通过人和问题的Follow关系让知识在社区内流动起来。而个人Feed正是这种「流动」的最主要的载体。Quora Feed的首要目标是确保推送进用户Feed的内容应该是和用户兴趣高度相关的，其次还需要考虑的包括用户之间的Follow关系以及互动（social relevance），另外还有时间因素，比如一些和热点事件相关的问答，也应该及时地推送进用户Feed。（协同过滤、基于内容的推荐、社会化推荐、热点推荐等等）

此处有兴趣的可以参考：Quora是如何做推荐的？
https://mp.weixin.qq.com/s__biz=MzA4OTk5OTQzMg==&mid=2449231283&idx=1&sn=3d5f5989896a2b7be52558c9cc56e855

本文主要分为五个部分

1.推荐问题的定义
2.Netflix 百万大奖
3. beyond 评分预测
4. 推荐方面的经验教训
5. 推荐的未来方向