1. 『迟来的产品升级 百度终上个性化推荐的新台阶』 百度CEO李彦宏将此次转变称为百度首页“迄今为止最重大的改变、最重要的创新”。其中的一大创新之处是百度对“推荐引擎技术”的应用，即基于用户行为、 兴趣建模，通过算法和数据分析，准确识别用户需求，向用户智能推荐想要的信息、服务或应用，从而提高用户转化率及强化用户黏性。
2. 『周鸿祎：360导航UV超hao123 未来布局垂直搜索』 周鸿祎表示，360浏览器和导航网站在中国的流量已经很大，但不会模仿百度做传统搜索，目前360已经在根据用户使用习惯推荐个性化内容，这可能代表了未来搜索的方向，另外360将在垂直搜索领域做一些尝试，将充分发挥浏览器覆盖面大的优势，在垂直搜索上给用户提供更多不同的体验。
3. 『搜狗首推探索引擎注重用户个性化需求』 搜狗积极开发的新一代“探索引擎”的目标，是要给寻找信息的网民完全不同的上网体验：例如，当用户打开浏览器阅读一篇新闻的时候，探索引擎会在页面下方自动推送其他网站相关的报道和评论；当用户在互联网上浏览商品信息的时候，新一代搜索引擎就会在页面下方自动向其推送其他网站上该商品的价格、优惠券以及商 品评论。也就是说，新一代搜索引擎能够“猜”到用户想要什么，并且及时向用户推送他所需要的信息。
4. 『数据在淘宝』淘宝会针对消费者提供一些个性化的推荐，未来的淘宝可能会比现在的淘宝发生非常大的变化，未来的淘宝会变得非常个性化，就是会有消费者更感兴趣的产品，如果卖家都能够对这些个性化的产品做足够多的准备，如果没有个性化能力的话那很有可能失去竞争力。
5. 『豆瓣首页改为豆瓣猜 基于个性化算法提供内容』 阿北：“豆瓣猜2005年就有了，这是我们一直在积累的事情。但是新的豆瓣猜才刚刚面世，它的形态、使用和内容都会有各种问题。我们会在新的一年里逐步改善这个首页，也会慢慢把更多类型的内容放进来。豆瓣猜的终极目标是这样的：每天你打开豆瓣，满眼看到的都是各类你会感兴趣的新东西。我们迫不及待地想和你一起让这个画面成为现实。”
6. 另外，祝贺百分点科技的好朋友们获首轮融资。

个性化推荐，已然无处不在。

认识我的朋友们应该都知道，2011一年我都在折腾「指阅」，成绩不敢说有多大，但起码上路了。指阅 2012年会有比较大的升级，希望能把产品各方面的体验都有一个提升，欢迎大家试用。

天涯海阁的 watsonxu 最近发了一篇文章，国内个性化阅读服务汇总，文章最后留了几个问题：

如何有效获取用户的兴趣：用户的阅读兴趣往往很泛，泛意味着这种兴趣获取的难度的成本会更高，如何基于现有的社会化服务或者阅读过程更好的获取用户兴趣是一个需要研究的话题。
如何更有效的推荐阅读内容：推荐阅读内容的难度可能大于电影、音乐和图书，因为电影、音乐和图书都有相对固定的维度，而根据阅读内容来挖掘用户的兴趣可能难度会更大。
当然最大的挑战在于：个性化阅读其实基于一个前提就是能够推荐用户感兴趣的内容，而实际的过程中如果不能给每个用户推荐感兴趣的内容（或者说这个会有个过程），那如何形成用户的粘性？另外个人的一个困惑是个性化阅读的需求真的有那么强么？

说说我的看法。

基于社交网络的数据来进行用户兴趣的建模，这个已经是目前几乎必选的方式之一了。关注个性化推荐领域的朋友应该都知道，冷启动问题是一个困扰这个领域已久的老大难问题。通过社交帐号授权获取用户在社交网络上积累下来的数据，是解决冷启动问题的有效有段。这里有一些简单的数据示例。当然，这些数据并不见得可以代表你的所有兴趣，但却是个不错的起点。除了分析兴趣点，你还可以分析用户的「社交影响力」[1] [2]。我之前基于微博数据做过一个小实验，针对「IT互联网」[1] 和「创业与投资」[2] 这两个领域，计算得到了微博帐号的影响力排名。这方面最著名的要数 Klout，国内有一个不错的创业团队在做类似的事情 μ+。这种影响力分析结果对进行微博营销蛮有参考价值，但它是一种相对粗放和更偏向于全局的热点分析，对个性化的帮助有限。这方面，更有效的是 Facebook 提出的 EdgeRank，这里面融入了个人的「口味」，衡量的是好友圈子内的影响力。

如 watsonxu 所言，做个性化阅读的产品难度挺大的。Quora 上有一个问题，是讲个性化阅读产品面临的困难的，答案很棒，我简单给总结了一下：

1. 人的兴趣很广泛，而且多变。你为什么会对某个主题感兴趣或者不感兴趣，这里面的原因很复杂，如何用算法模拟出来是个很大的挑战。
2. 每天新产生的资讯非常之多。像 Amazon、Netflix 之类的推荐引擎，它们面对的候选条目集合是相对稳定的，这个比较好理解，它们每周也会增加一些新产品，但和资讯数目相比，差距甚远。
3. 大部分资讯的生命周期非常之短。你现在推荐阿凡达，效果也许不会比两年前差多少，但推荐资讯就不行了，推荐一篇几天前的文章，很可能就要挨骂了。在如此短的时间窗口里为每位读者做出智能推荐，这对系统的要求非常之高。
4. 资讯聚合通常都要面临大量重复内容的问题，这在国内尤为严重，这会极大伤害个性化资讯应用的用户体验。而且国内还有另外一个问题，就是原创的高质量内容相对匮乏，推荐引擎巧妇也难为无米之炊。
5. 与微博之类的个人信息发布工具相比，这类工具缺乏互动。每次你发布一条微博，你的 Followers 就可以看到，而大部分的个性化阅读工具，我们只是默默地使用它，不具备病毒传播特性而无法迅速爆发。
6. 缺少“社区”的感觉，因为大家看到的东西各不一样。这有点像为什么很多人喜欢在电影院观看电影，而不是在家里，即使在家里看可能会更舒适。大家需要那种与其他人一起在做同一件事情的存在感。

详细的技术拆解，可以去看看郑昀的这两篇文章 [1] [2]，基本上我对这两篇文章的评价是，“从此这个领域再无技术秘密可言”。

阅读是人的基本需求，个性化阅读是这个基本需求的 2.0 版。套用个性化推荐「三个合适」的表述，个性化阅读要解决的问题是，在合适的情境下以合适的形式为用户带来合适的内容。 因此，“个性化阅读的需求有多强？”是个伪命题，个性化阅读与阅读本身没有矛盾，它的目标是让阅读这事更简单，谢文老师曾经以看女排新闻为场景给过一个形象的例子。现在大家对个性化阅读存疑，是因为相对于大量非个性化的资讯类产品，还没有哪一款个性化产品显示出了与众不同的能力，尤其是与 Twitter、Facebook 这类以社会化见长的产品相比，个性化产品并没有高明太多。这很像当年围绕智能手机的讨论，之前很多人在说手机不就是打个电话发个短信嘛。。。直到 iPhone，重新发明了手机，从此没人再怀疑。目前个性化阅读这个领域，Flipboard 和 Zite 是好榜样，但其实也只是刚开了个头，大家都还在摸索，需要有人用实实在在的产品体验，来重新定义「阅读」。这个市场不是不爆，是王者未到。

之前做简网的时候，我们主要在研究两个网站，一个是 Zite（估计没人用过它的 Web 版吧），还有一个是 Evri（它和指阅前后一天 iPad 版上线），后面又陆陆续续出现了一些和我们核心功能类似的产品，比如：Mashable Follow、Trap.it、Google+ Spark 等，都是以「主题」为起点谋求信息消费的个性化。现在总结，我只能说，相对于国内互联网的现实情况，我们当时的选择太超前了。从去年移动互联网升温，社会化/个性化阅读逐渐被大众所接受，对有志于这个领域的同道来说，好年代其实才刚刚开始，让我们一起努力！

这篇文章标题里面的「个性化」是加着引号的。卖一个关子，我在酝酿一篇和《搜索已死，推荐上位》类似的标题党之作，名字想好了，叫做《重新定义「个性化」》。不过大家别期望太高啊，有可能有，也可能没有。。。

我们有一个简单的信念：互联网的未来必定是个性化的。如果你有那么一点儿小理想化，希望能够帮助用户更好地消费信息，那么现在加入我们一起，是最好的时机。
职位信息请看这里：http://www.zhiyue.me/team.html

您可能也喜欢：
指阅HD: 专注用户喜好的社会化阅读应用 (@tech2ipo)	时代杂志评选2011十大手机应用 (@tech2ipo)	欢迎大家试用指阅	Resys China 创刊号	让网络，更简单！
无觅

指阅的目标是新一代的资讯发现与阅读应用，致力于打造懂你口味的阅读体验。指阅将互联网上的繁多资讯收集梳理，以『话题』的形式重新组织成“微媒体”，帮助你方便快速地发现你感兴趣的内容。

首次打开指阅后，应用会邀请绑定你的微博帐号，经过你的授权，指阅的服务器后台就会分析你近期发布的微博内容，得到你可能感兴趣的主题。同时，绑定微博之后你可以把你发现的好内容分享给你的好友。

在进入文章阅读后，你可以随时完善文章来源和主题，应用会记录你在阅读过程中的每个操作，喜欢与否、来源选择、话题偏好、分享互动。你的这些反馈，可以让指阅更加完善地了解你的阅读喜好。

通过语义分析与个性化推荐技术，指阅试图为你打造个人专属的信息过滤与发现引擎。这些服务器端的后台技术，我们团队内部称之为“信息基因技术”，此前已经推出的产品 cutt.com、机器维护的微博帐号以及指阅都采用了相应的技术。

我们团队的 CEO 丁钧，1997 年进入微软工作直到 2006 年，离开前是微软顾问咨询部的总监，他为人很低调，大家可以去微博围观他。我们希望通过对人们兴趣信息的捕捉分析，甚至是某一区域、某一年龄、某一族落的人群的精准定位，为用户提供一系列的个性化服务。不过目前阶段最重要的事情，还是专心打造好一 款对用户有用的产品，欢迎大家下载试用（下载地址），多给予我们意见和帮助。我们近期还会加入微博相关的功能，敬请期待。

过去的一年时间，无论是对我们团队还是我个人，都是非常重要的一年，我收获了异常宝贵的人生经验，我将永生难忘。千言万语汇成一句话：感谢每位兄弟，我为有幸身处这样一个团队而无比自豪！

您可能也喜欢：
指阅HD: 专注用户喜好的社会化阅读应用 (@tech2ipo)	Birchbox女性的最爱 试用和零售相结合个人定制的化妆品网站 (@tech2ipo)	「个性化」时代	让网络，更简单！	我们在等你！
无觅

这是我在知乎上认真回答的第一个问题，我把它拿过来稍作修改，算是为2011推荐系统论坛的会后总结起个头。会议当天我琐事很多，基本上没能好好听讲，因此有关主题内容的，等我看完视频补好课之后再写吧。

首先，咱们界定一下概念，这里的“推荐”，应该不单纯指的是大家所熟知的“购买了X的还购买了Y”这种狭义的形式，而应该是常说的“搜索”与“发现”中的后者，“推荐”的目标是让用户的互联网体验更加个性化，帮助用户轻松“发现”他感兴趣的信息，或者说“让信息找到你”。

那么，推荐能不能成为爆发点，这个问题我个人这么看。两点：1、这件事情是不是被广泛地接受及认可？2、是不是有越来越多的人投入到这件事情？

对于第1点，我相信答案是毋庸置疑的，推荐引擎或者推荐模块，已经逐渐成为了面向消费者的互联网应用的标配，甚至可能会发展成为互联网应用的基础设施。推荐目前的状况，我觉得和搜索早期很像：1）功能的价值逐渐让用户觉得不可或缺（具备了爆发的潜质）；2）多数从业人员对其还比较轻视（不认为其有独立存在的价值）。这里面就很可能有机会了。

对于第2点，我认为非常关键，需要有足够多人做出足够多的探索。变革虽然最终是由精英推动的，比如，搜索大潮由斯坦福的两位天才掀起，应用市场的模式由乔布斯教主引领。但是，不能否认的一点，这是一个“量变到质变”的过程，Google 登顶能称得上是一将功成万骨枯了，应用市场模式的产生也跟长久以来大家对于 Windows 软件管理模式的不满有直接关系。目前对于推荐，一个普遍的疑问就是，“它能否成为一个独立的产品，还是仅能作为一项功能存在”？这个问题，分析家们的答案一文不值，要靠在这个领域内深耕的一线人员去探索。目前整体来看，无论国外还是国内，这个领域的创业公司在增多，但总体数量还不够，尚待进一步观察。

张栋老师在会上抛出了一个说法，“做一个推荐系统的影响因素：UI/UE: 40%; data: 30%; domain knowledge: 20%; algorithm: 10%”。这个引起了不小的争论。我的意见是，真实世界里的事情不是这么划分的，产品/技术/算法不应是割裂的，绝对意义上讲也不应该存在哪个更重要的比较，灵活分析“在某个时期”应该侧重于哪部分更合适。而且，即使按照这个比例分也可以，那10%恰恰就是成为伟大产品所必须要迈过的一关。电商可以用活动促销这些直接有效的手段拉升业绩，但会有Amazon这样的企业愿意在推荐引擎上持续投入超过十年；搜索引擎可以人工调整结果甚至强插小广告，但同样会有Google这样的公司愿意坚持在算法上优化保证结果的公正。ResysChina 在微博上的点评，我认为是比较中肯的，“心理学研究表明，人们往往对序列最前与最后的事件记忆最深刻，其实大家更应该关注的是中间的两个因素：数据与领域知识。因为一头一尾两个因素的热议更多的是因为职业之争，就像PM与程序员之争一样。而数据与领域知识是需要并且可以花心思做好，而且可以得到实实在在的产出的”。好吧，这段跑题了。最后有一点是真的，推荐深入做下去是具备很高技术门槛的。

言归正传，所谓爆发，一定得和大势对上节拍。综上来看，推荐这件事情，量方面在积累，专注于这个方向的人才在增多，具备技术门槛和成长空间，因此，我个人认为这个方向大有所为。

您可能也喜欢：
NRelate的内容推荐工具蒸蒸日上 (@tech2ipo)	社会化推荐应用还需更有个性 (@tech2ipo)	2011推荐系统论坛	2011推荐系统论坛·官网发布	向 Koren 先生提问
无觅

目前，报名工作已经停止，参会名单也已经全部确认完毕。本次大会提交的报名人数远超我们的预期，非常感谢朋友们的大力支持与热情参与。有报了名但未收到确认信的同学，恳请你们能够理解和谅解。也请未获得参会名额的朋友们，不要在会议当天直接空降，目前留作以备万一之需的名额也已经全部放出，人数已达会场极限。还有朋友直接给我发邮件的，未能一一回复，也请多多包涵！不能参会的朋友们也无需遗憾，会议之后会有全程视频录像和PPT资料公布，同样给力。另外，会议当天会进行微博直播，感兴趣的朋友可以关注 ResysChina 官方帐号。

大家的支持，是对我们辛苦工作的最佳褒奖，ResysChina 成员会继续努力，为大家带来更多更好的活动。谢谢大家支持！

3月6日九点，北京地质大学国际会议中心，期待各位朋友的到来！

特别鸣谢：

• 感谢土豆网为本次会议提供视频支持。
• 感谢淘宝网为本次会议官网提供设计支持。

洪波，知名IT评论人

超市中靠近收款台的陈列架，就是一种推荐；玩聚网的Social Rank、锐推榜，iLike的社区推荐，是一种社会化推荐；亚马逊购买A的用户还买了B和C，是基于统计的推荐；Pandora的音乐指纹和Netflix的Cinematch，是个性化推荐。
推荐本身恐怕很难成为互联网的下一个爆发点，但推荐引擎一定会跟不同的业务形态、不同的应用场景、不同的用户需求密切关联，产生大幅增值。推荐算法在未来会变得越来越重要，越来越无处不在。

颜嵘，Facebook 研究员

以 Facebook和 Twitter为代表的Web2.0信息革命，把过去单一的、以信息管理为主导的互联网，逐渐转变成为一个个性化、分享化和以人为本的新一代网络连接平台。在这个大环境下，推荐技术将会成为推动这个个性化进程不可或缺的一环。我相信在今后的10年内，推荐技术会对人类生活产生越来越重要的影响。

王守崑，豆瓣首席科学家

在 互联网领域，上一个十年，我们经历了从 web1.0 到 web2.0，从门户到社会网络的巨大转变；下一个十年，我们一定会看到这一领域更加激动人心的变化。个性化推荐从技术到产品，从系统到应用，一定会遇到 一系列非常有挑战性的问题，也一定会有各种各样充满天才的解决方案等着我们去发掘。我希望在中国也是如此。

张栋，百度科学家

释放数据的力量，专注技术的魅力，探索商业的模式，三者结合，推荐引擎大有可为。

ResysChina 发起人，谷文栋 项亮

Google 的辉煌成就，曾经让许多人一度认为，Google 时代就是互联网的终结了。而近年来以 Facebook 为代表的社会化网络成功突围，使人们明白，一切其实才刚刚开始。用户贡献内容，社会化途径传播，这让信息量极度膨胀。潘多拉魔盒已经打开，“选择”的时代 已然开启，新的十年，我相信，推荐引擎必领风骚。

您可能也喜欢：
简网发布“指阅”，打造中国版Zite (@resyschina)	美网络内容推荐引擎Outbrain融资1100万美元 (@resyschina)	2011推荐系统论坛	http://www.guwendong.com/?p=395
您可能也喜欢：
提问的智慧：利用决策树进行推荐系统新用户引导 (@resyschina)	微博个性化推荐-凌博微步 (@resyschina)	2011推荐系统论坛	推荐究竟是不是下一个爆发点？	2011推荐系统论坛·官网发布
无觅

本周日即将进行的推荐系统论坛，我们成功邀请到了 Netflix Prize 冠军队成员 Yehuda Koren 先生参会，进行主题演讲。Koren 先生在推荐系统领域有着卓越成就，其在 Netflix Prize 参赛过程中公布的一系列论文与成果，对推动推荐系统领域的发展做出了重要的贡献。

国内最大的IT社区 CSDN，将于会议当天对 Koren 先生进行一次专访，特此向广大朋友征集问题。机会难得，请大家踊跃贡献给力的好问题。

豆瓣王守崑同学先抛了两块砖。
1. As the rapid growth of SNS websites worldwide, friends-recommendations have established a solid influences on users’s choices comparing to algorithms-recommendatins. Say, on media products such as books, movie, and music, people trust their friends a lot more rather than machines. What do you think about this phenomenon, and are there any evidence or measures to quantitively evaluate it?
2. People visit more often on facebook, twitter and other social platforms, and in these websites information is private, transient, and contextual, which is very hard for Google to index, ranking, and present relevant results in response to search queries. Are there any chance for recommender system to be involved and provide better performance to both search engines and social platforms?

中英文提问均可，请直接在本文后面留言提问。期待你的问题！

---

附，Koren 先生简介及本次 Topic 内容介绍。

Yehuda Koren is a Senior Researcher at Yahoo! Research, Haifa. Prior to this, he was a member of AT&T Labs-Research. He obtained his Ph.D. in Computer Science from The Weizmann Institute in 2003. His thesis topic was algorithms for drawing, clustering and visualizing large graphs.  He was awarded best paper award at INFOVIS 2005 for the work on directed graph layout through constrained energy minimization. More recently he won KDD 2009 best research paper award for his work on collaborative filtering with temporal dynamics. Yehuda is a member of the teams that won the grand prize and the two progress prizes in the Netflix Prize competition.

Web-Scale Recommendation Systems

Web retailers and content providers offer a huge selection of products, with unprecedented opportunities to meet a variety of special needs and tastes. This opened an opportunity for recommender systems, which provide personalized product recommendations that suit a user’s taste. The collaborative filtering approach to recommender systems predicts user preferences for products or services by learning past user-item relationships. In this talk I will survey some of the recent advances made in the field.

Successful collaborative filtering systems need to address multiple challenges. The designer needs to model the very elusive human taste appropriately, and deal with the fact that humans constantly change and redefine their preferences. Furthermore, balancing between a detailed modeling of heavy users and an adequate modeling of newcomers within a single model makes the task all the more challenging. Finally, systems often need to combine various kinds of signals, such as different kinds of feedback originating from its users together with external third-party data describing the offered items.

The methods described in the talk were central to winning the Netflix Prize competition. In addition, some of the methods are demonstrated on the Yahoo! Music service, while using one of the largest publicly available datasets, containing over 250 million ratings, more than a million users and more than half a million items. This dataset, which genuinely reflects the wisdom of a large crowd and its cumulative taste in music, will be the focus of the KDD-Cup’2011 contest, commencing on March 15, 2011.

---

© guwendong for Beyond Search, 2011.
本文网址：http://www.guwendong.com/post/2011/rsf-koren-questions.html
tags: resyschina, RSF | 参与讨论

您可能也喜欢：
提问的智慧：利用决策树进行推荐系统新用户引导 (@resyschina)	微博个性化推荐-凌博微步 (@resyschina)	2011推荐系统论坛	推荐究竟是不是下一个爆发点？	2011推荐系统论坛·官网发布
无觅

]]>

搜索死了吗？答案是“肯定没有”。“寻找信息”是刚性需求，搜索会 Forever Young。但它一定会变得越来越不性感，对于业界顶尖工程师会越来越丧失吸引力，大家会转去追逐更能吸引他们的事情。下面关于“Search Engine”的 Google Trends 可以说明一些问题。

之前只有搜索这么一种方式来满足“寻找信息”这个需求，但现在有其他选择了，比如社会化网络（Facebook）、微博（Twitter），其他你能想到的（Quora）和你想不到的，将来可用的方式只会越来越多。

如果大家关心推荐领域的话，过去一年会发现一些有意思的事情：首先，推荐的探索越来越多，各种新产品冒头的频率越来越快。然后，越来越多人看到了个性化的重要性。问 GroupOn 如何应对山寨，他说我要做个性化团购；问 FourSquare 如何应对 Facebook Places，他说我要推出个性化推荐。最后来看 Google，Google说了，“搜索的未来要靠个性化”，Google 也确实在积极地布局个性化。甚至连那个致力于搞局域网的公司，也都已经开始谈论这个话题了。

之前忘了在哪儿看到一个分析，是讲 Facebook 的开放平台，意思是说，用户更习惯去专业的网站解决特定的问题，而不是在一个大平台上解决所有问题。大平台的模式本身也不符合互联网的本质以及现代社会分工协作的基本经济准则。Resys 建组之初曾经讨论过“推荐能不能做成一种基础服务” [1]。豆瓣的推荐引擎大拿胖子也一直在思考这个问题，“个性化推荐，到底是一项技术，一个功能，还是一个产品？” [2]。这绝对是一个难题，业界顶尖的公司都或多或少在摸索这个问题，Facebook 的 OpenGraph 模式是一个大胆地尝试，Twitter 也把相关性作为最大的挑战。

之前有幸听业界一位前辈老师讲课，有一点深以为然。互联网产品的三大要素是：服务、信息、人。之前（包括 Google 在内）做互联网的模式是“服务为中心，串联起人和信息”，Facebook 不管是有心还是无意，逐渐在把模式变成“人为中心，串联起服务和信息”。一个看似简单的模式中心的调换，搞不好就能让 Google 交出互联网的权杖，改朝换代。

去年我发现了一本神书——《异类》，这本书可以作为我辈阿Q们自我安慰的神器，我把它的观点总结成一句话就是：“成功还是失败，就看你有没有赶上那一拨了”！胖子的问题我给不了答案，但我始终坚信，不管你看到还是看不到，它就在那里，等着那个拣到它的幸运儿！

您可能也喜欢：
NRelate的内容推荐工具蒸蒸日上 (@tech2ipo)	互联网趋势与推荐系统的机会（2） (@resyschina)	「个性化」时代	推荐系统：主要推荐方法	重磅推荐：Resys Group
无觅

上个月，Hulu CEO Jason Kilar 做了一场非常精彩的报告，分享了 Hulu 的成长经历、营收数据以及对于视频行业未来发展的一些看法。Hulu 的成功绝对称得上是一个奇迹，尤其是从商业角度来考量，他用相当于 Youtube 10% 的流量，赢得了 40% 的市场份额。

在报告视频中，你可以听到 Jason 对 Hulu 北京团队的称赞！我曾经有幸拜访过他们位于清华科技园的办公室，这是一个低调得令人发指的团队，然而做的事情却着实有趣。在 Hulu 工作是彻头彻尾的互联网模式，商业团队在美国，技术团队在北京，目标一致全球协作，绝非XX中国之类可以比拟的。

Hulu 可以称得上是追求商业与技术相融合的典范。当其他人还在对个性化技术犹豫不决的时候，他们几乎已经完成了最佳实践。Hulu 将个性化技术应用到了产品的许多角落，于细节之处彰显实力，是进行山寨式微创新的绝佳研究对象。

上图是经典的“如果你喜欢…那么你可能还喜欢…”的推荐场景，这个功能尽管常见，但很有讲究。推荐应该放哪儿，什么展现形式以及什么时机显示？想一想，这些问题你会怎么解决？Hulu 团队的答案是 A/B Test，让数据来指导产品决策。再看细节，“Bookmarked” 是一个很契合场景的小功能，是一个用心的设计。这个场景 Hulu 做到的效果是：看到这个推荐的用户中，有10%的用户点击观看或者收藏了推荐的影片。但其实整个场景里面我最想说的，是右上角的“Does this recommendation interest you?”这一点。我一直有一个看法：对于推荐产品，用户反馈的作用怎么强调都不为过，虽然用户确实是懒的，做推荐产品也确实要讲究隐性反馈，但这绝不代表你不能要求用户做出选择。既要能够收集到有价值的反馈，又要使得用户感受到产品对他的尊重，如何平衡这个矛盾，是需要具备相当智慧的。如果你正在招聘推荐相关的产品经理，这个事情很值得问一问。

用户不喜欢广告，这件事情相信谁都明白。Jason 给出了一个数据，“内容厂商每挣一美元，其中就有 41 美分来自广告”，因此，一切抛开广告谈视频产业未来的做法都是浮云，结论就是——绕不开广告，就让它变得更加美好。Hulu 的 mission 分为两部分：第一部分是“To help people find and enjoy the world’s premium content; when, where and how they want it.”；第二部分是“As we pursue our mission, we aspire to create a service that users, advertisers and content owners unabashedly love.”。基本上第一部分无论从内容覆盖度上还是受众覆盖度上，都没有做到；显然大家都看得出来，第二部分才是真正的 mission，^_^。第二部分也的确是整个产品里面 Hulu 最下功夫的地方：1）广告的品质很高，这应该得益于主打品牌广告的策略；2）围绕广告给予用户很多选择，上图中红圈显示的仅是一例；3）基于用户的选择与反馈，使用个性化技术驱动广告与用户的喜好越来越相关。就目前公开的数据来看，在用户满意度、广告有效性以及自身收入这三个方面，Hulu 都确实取得了相当不错的成绩。作为一个有追求的程序男青年，我曾经很纠结：从技术角度需要理想化，从商业领域需要直截了当，难道除了更高更快更强地搜索假药之外，技术就不能够有效变现了吗？Hulu 让我释然了。

其他有意思的事情还有不少。比如，1）他们对于推荐模块使用了 Ajax 处理，只有当用户把页面拖到相应位置的时候，才会动态加载推荐数据，这样可以更精确地考量推荐算法的效果。2）在同一个功能区，他们会均衡投放广告与推荐影片的比例，背后的逻辑是，用户看到更多感兴趣的影片->停留的时间更长->看到广告的整体数量增多，这可以转化为一个相当理性的数据模型，照着收益最大化持续优化就好了。3）他们通过分析已注册用户观看过视频的历史数据，来对未注册用户建立预测模型。看下图这个例子，从全局统计数字来看，观看左边这部影片的用户中，63%是女性，37%是男性，通常的做法，会给这部影片搭配一段针对女性的广告，那么，那37%的男人们就杯具了。而 Hulu 讲究的是搭配有针对性的广告，对于已注册用户，Hulu 是知道性别数据的；对于不知道性别的未注册用户，Hulu 通过分析其浏览记录来预测其性别，比如同时还看过右侧那一坨影片的，就有极大可能是女性。这些数学模型其实都不难，但想在合适的地方让它们派上用场，这个还是需要一些功力的。

前两天我发了一条微博，“对数据的理解和问题的建模是第一位的，用多么高级的算法根本不是重点”。这是我个人的一些感触，我相信大部分场景应该也是适合的。但推荐深入作进去，绝对是个考验算法实力的事情。和一个靠谱的团队在一起，事半功倍！

评价一个团队，我个人有一个不太成熟的判断标准，就是看其中有没有辍学生，这点最起码能说明一个问题：正在做的事情是否足够性感，让人愿意抛开束缚全情投入。很巧的是，Hulu 北京团队里面就有这样一位从北大退学的博士生，非常给力。他们正在招聘，有兴趣的可以到这里看看，或者可以直接联系：郑华@Twitter。

这里还有一些好玩儿的照片。

本文首发 ResysChina：http://www.resyschina.com/2010/12/hulu-team.html

您可能也喜欢：
Hulu：广告也可以很有爱 (@resyschina)	StumbleUpon + Hulu = ？ (@resyschina)	Google 打算收购 Hulu？ (@tech2ipo)	从话题广告说开去	Google Suggest and Adwords
无觅

爱 Javascript，爱 Ajax 和 JQuery，

爱前端优化，也爱和稀奇古怪的浏览器问题较劲。

我们不是跨国公司或者吃皇粮的国企，

我们有快乐的草泥马，

我们是简网。

我们有激情爱打拼会玩儿三国杀。我们想让网络更简单，

我们在等你——前端工程师！

简历投递：wendong.gu#cutt.com

您可能也喜欢：
Jobs教会了我们什么？ (@tech2ipo)	Linkedin添加新功能：Job Change Notifier (@tech2ipo)	让网络，更简单！	「个性化」时代	代友招聘：搜索产品经理@饭统网
无觅

1. 维护与改进豆瓣的文本挖掘、搜索相关的算法和应用;
2. 为网站的改进和推广提供数据和分析支持;
3. 跟踪互联网领域相关的算法进展和发展趋势。

要求：
1. 热爱探索和钻研，相信算法能够改变人们的生活；
2. 本科或本科以上数学、物理、计算机或其他相关领域的训练；
3. 极佳的逻辑分析能力和学习能力，善于应对各种智力挑战；
4. 熟悉自然语言处理和信息抽取(IR)的相关算法；
5. 能够使用C独立实现复杂的算法结构。

算法和数据挖掘工程师（推荐系统方向）

1. 维护与改进豆瓣的推荐与数据挖掘算法;
2. 为网站的改进和推广提供数据和分析支持;
3. 跟踪互联网领域相关的算法进展和发展趋势。

要求：
1. 热爱探索和钻研，相信算法能够改变人们的生活；
2. 本科或本科以上数学、物理、计算机或其他相关领域的训练；
3. 极佳的逻辑分析能力和学习能力，善于应对各种智力挑战；
4. 熟悉海量数据处理和挖掘的基本算法, 或有高性能科学计算的相关经验；
5. 能够使用C独立实现复杂的算法结构。

与大牛们一起，改变世界！注：上面这句是我加的，与豆瓣无关，哈哈～

简历投递：team@douban.com

补充参考：王守崑 – 豆瓣在推荐领域的实践和思考

您可能也喜欢：
Jobs教会了我们什么？ (@tech2ipo)	程序猿找活新方案，微博招聘信息挖掘Jobs Tractor (@tech2ipo)	代友招人2：数据挖掘实习生@当当	代友招聘：搜索产品经理@饭统网	代友招人1：个性化推荐产品经理@当当
无觅