今天切身体会了一把 Keso 的威力！Keso 仅仅是在他的“昨日新闻”里收录了我的一篇Blog，“推荐系统：Amazon、Pandora 和 Del.icio.us”，就为我的 Blog 带来了数量级的访问量提升。看看下面这组数据多么有震撼力啊！数据来源是我的 Google Analytics 帐户。
Date Range Visits Pageviews Mon 1/22 3 7 Tue 1/23 2 2 Wed 1/24 7 18 Thu 1/25 36 47 Fri 1/26 89 123 |
啥也不说了，对 Keso 只有高山仰止的份儿了！我积累了半年的 Feedsky 订阅只有 7 个，Keso 轻易就帮我涨到了 8 个，要是能突破 10 个就好了，哈哈。
其实这个现象也可以归为推荐系统里面的一个问题。在我之前有关 User-Based 与 Item-Based 推荐方法的介绍文章里，提到由于 User-Based 的计算量过大，性能比较差，所以现在的在线系统通常采用 Item-Based 的方法。然而在 2003 年，Mild 教授曾经从批判的角度审视了各种推荐算法，指出基于 Item-based 方法并不一定好，算法准确度与采用的实验数据数据有关，大多数情况下还是 User-based 方法好。就这个问题，我和豆瓣的首席推荐算法专家“胖子”曾经有过一次简单的讨论，希望可以寻找一个可行的思路以发挥 User-Based 方法的效能。当时达成的一个共识就是，如果是诸如 Keso 这样的牛人给我们做的推荐，通常都是有用的（得分比较高的）！这里面的关键问题就是如何识别“牛人”。今天受到了一些启发，对豆瓣来讲，从“友邻”出发弄一个 PeopleRank 出来应该是一个思路。众所周知，在豆瓣里被加入友邻次数最多的一定是阿北了；而在豆瓣上，阿北给出一个推荐肯定也能引起广泛的共鸣。有机会把这个想法作一下试验。
头一次有人链接我的文章，另外再纪念一下 Blog PV 突破 100！
Update: 2006.1.26，Feedsky 订阅数顺利超过 10 个，纪念一下，哈哈！谢谢 Keso！
zhuaxia（5）；Bloglines（4）；google reader（1）；GreatNews（1），感谢这些朋友！
Leave a Reply