最好走的路越走越难,最难走的路越走越容易

Follow guwendong on Web
  • Subscribe to Beyond Search via RSS
  • Join Resys Google Group
  • Follow @clickstone on Douban
  • Follow @clickstone on Twitter

个性化站点:MyFriendSuggests.com

本文可以任意转载,转载时请务必以超链接形式标明文章 原始出处版权信息

MyFriendSuggests.com 的 logo 很有意思,生动形象地传达了这个网站的主旨:物以类聚,人以群分,朋友的建议最管用。

MFS(MyFriendSuggests.com 的简写)于2007年7月17日正式启动,核心业务与国内的大众点评网类似,提供对诸如饭店、酒吧、俱乐部等本地服务的评论和打分。但与其他类似评论站点不同的是,MFS 是以 Social Network 为基础的。首先,你可以邀请你线下的好友一起加入 MFS,MFS 以类似六度空间的模型建立起你的关系网络。之后你就可以开始对你喜欢的饭店、酒吧、或是旅游景点什么的进行点评了,形式无外乎就是数星星或者写评语之类的,你贡献的数据越多,MFS 给你的推荐就可能会越准确。在 MFS 的推荐算法中,加重了你的 Friend Neighborhoods 的权重,也就是说,MFS 不是简单的使用 User-based 或者 Item-based 的推荐模式,而是区别对待你的好友与其他你的关系网络里的用户,使得你的 Fried Neighborhoods 可以对 MFS 给你的推荐产生更多的影响。从我们的实践经验来看,这是有意义的,我们大家多半都会比较信任自己朋友们的意见。

与其他 web2.0 的应用一样,MFS 有一个轻型的开发团队,主创也是一个勤奋的 blogger。但不同的是,他们并没有使用 Python 或是 Ruby 这样的动态语言,而是基于 Java 进行 MFS 的开发。最核心的推荐引擎,是基于 Taste 框架完成的。我是在一次查找 Taste 资料时,发现了这篇 blog,Creating a custom recommender using taste,从而开始关注 MFS 的。MFS 认为使用 User-basedItem-based 混合的方法,可以取得更好的推荐效果,并给出了他们目前使用的公式:

P(u,x) = alpha*uRec(u,x) + (1-alpha) * iRec(u,x)
其中,uRec 和 iRec 分别对应 Taste 中使用 User-based 方法与 Item-based 方法计算得到的推荐得分,alpha 为一个 0 到 1 之间的常数,用于调节 User-basedItem-based 方法的权重。

facebook 推出他们的 Applicaiton 平台之后,MFS 也推出了 for facebook 的应用,见这里 http://apps.facebook.com/myfriendsuggests/。感兴趣并且有 facebook 帐号的朋友,可以试试看。不过,由于 MFS 的业务是 local 模式的,因此目前对国内用户的用户不大。

相关文章:

Leave a Reply

You can use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

1. 持续关注 个性化推荐 技术;
2. 持续关注 Semantic Web 技术;
3. 评论与上两项相关的互联网业务与产品;

我相信技术的力量!
wendell.gu@GMail.com

Archives