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：
Amazon的个性化推荐 (@resyschina)	浅析新闻推荐及个性化推荐的领域相关性 (@resyschina)	2011推荐系统论坛	向 Koren 先生提问	推荐究竟是不是下一个爆发点？
无觅

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！

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.

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)	StumbleUpon + Hulu = ？ (@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

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)	中国的烦恼：为什么没有Steve Jobs这样的人才 (@tech2ipo)	让网络，更简单！	「个性化」时代	代友招聘：豆瓣寻人
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	代友招人2：数据挖掘实习生@当当
无觅

Netflix Prize 给我们的启示是，没有一个单一的模型可以准确的反应出所有用户的行为。设计推荐系统需要组合不同的算法，发挥出群体的智能。这也是建立 Resys 讨论组的初衷，群体的行为需要群体的智能去预测。

Resys，取自 Recommender System 的简写。建立之初，我们的想法是这里的讨论要专注在推荐系统领域，因此采用了朋友邀请朋友的加入方式。但出乎我们的意料，Resys 的发展还蛮快的，大家的讨论也非常热烈，并且在8月22日，成功地举办了第一次线下聚会。

目前，这里已经聚集了国内对 Recommender System 最感兴趣的一拨人。

豆瓣算法负责人胖子

1. 推荐系统目前最大的问题不是技术，而是没有合适的产品形态。搜索这种产品形态存在很久了，互联网之前就有，并且大家广泛接受，因此要作的是寻找更好的技术和合适的商业模式。推荐面临的问题是没有大家认可的产品形态，只能依附在别的产品上，并且由于这个产品本身不是为推荐设计的，80%的功能不是靠推荐来解决，推荐做得再好，也只是优化剩下的20%

2. 关于小众与大众，我的看法与上面的几位同学有点差异。用长尾理论的话来说，大众是头，小众是尾，只是我认为与长尾理论这本书说的不同，在可预见的未来，这个头不会变平，会更尖，热的会更热。长尾很难从短头抢生意，只是头变高了，总有东西会滚下来，长尾也会变高。基本上，介入一个领域后，想作大事情，最先满足的一定是大众的需求。大众需求的特质就是磨平个性，小众是强调个性，这就像麦当劳和精品私房菜、成衣和裁缝的关系。

3. 目前我们所讨论的基于算法的”推荐”，满足的是小众的需求。这不是故意这样设计的，而是迫不得已，因为大众化的需求有其他更便捷、成本更低廉的方式获取，用推荐来作这个，得不偿失。在获取信息的相关领域，搜索引擎满足的是大众的需求，并且性价比最高的满足了这个需求，推荐要挤进这个领域，目前只能去作长尾。

4. 不过这并不是说推荐没得做，yahoo在做头的时候，google也在长尾里。如果推荐能够找到一种合适的形式，以更高的性价比满足大众化的信息获取的需求－－一定是大众化的，就可以反客为主。即便挤不进短头里，在长尾也不是一定没有前途。

5. 我个人倾向于推荐无法单独作为一个产品出现，但与搜索不同，推荐的应用领域不局限于互联网，并且，未来推荐很有可能作为一项基础技术的面目出现在各种应用场合，类似模式识别技术、虚拟现实技术、触感技术等等。

当当网搜索/推荐技术负责人王洪涛

从产品角度，个性化推荐已经渗透到当当购物流程的各个环节：购物前、购物中、购物后。
1、商品信息页面
买了****也买了****，看了****也看了****——基于一定时间段内的订单和访问日志数据推荐购买组合——基于同一张订单的数据
2、购物车、收藏夹
会根据用户当前选中的商品进行实时计算、推荐商品
3、email邮件
我们会在订单确认信等回馈信件中附带根据本次包裹商品计算出来的商品推荐但为了避免用户取消订单去选择别的商品，我们是在用户收到商品之后再推荐的
4、独立的个性化页面
集合所有数据源的推荐大全，但目前该产品数据表现不好，我们准备跟购物流程更深度结合。
我们也有对人的推荐，即挖掘潜在与之兴趣相投的人群，便于follow其最近的购物行为，扩展推荐。

从技术算法角度，我们主要用到基于内容的（当当商品搜索也是我们team在负责）、协同过滤、关联规则等方法。在实际开发中，我们也遇到了cold start的问题，特别是我们希望促进百货类商品的销售（而百货又是弱势品类)， 我们会基于商品的一些类别等属性进行推荐，这时的粒度不是基于product而是基于class。

我们的经验表明，个性化推荐技术是电子商务网站（特别是大型电子商务）的重要手段（当然地位还不能跟搜索比） 。
粗略估算，对销售贡献10%~15%是没有任何问题的；
这里面最重要的几个应用：
1、商品信息页面上的买了***也买了
2、商品信息页面上的打包购买推荐
3、购物车推荐

Netflix Prize 冠军团队 The Ensemble 成员 xlvector

2009年8月，我个人推荐的精彩内容：

• Netflix Prize 参赛经验介绍
• 既有搜索引擎，是否也有推荐引擎？

• 用户需要什么样的推荐 —— 推荐系统的评测

• 对TopK和预测RMSE的看法
• 关于季节效应的一个有趣结果：二战电影
• 智能推荐系统

其他资源：

• Resys @ CiteULike
• Resys @ Tweepml 
• Netflix Prize by xlvector
• Understanding RBM by WangYuanTao
• From Search To Discover by Wanght

感谢每一位 Group 成员的精彩发言！
欢迎对推荐系统感兴趣的朋友加入 Resys Group。

您可能也喜欢：

Resys Group 第四次活动总结 (by xlvector) (@resyschina)

音乐推荐引擎的艺术和科学DNA (@resyschina)

Resys China 创刊号

迟来的感谢：Resys 豆瓣活动

2011推荐系统论坛

无觅

工作内容：

1）个性化推荐系统的优化

2）个性化相关产品的研发

3）数据分析

个人要求：

1）面向人群：在读研究生
2）具备数据挖掘和个性化推荐方面的相关知识
3）了解相关算法：关联规则、协同过滤、聚类等（了解神经网络、决策树更佳）。

您可能也喜欢：
Jobs教会了我们什么？ (@tech2ipo)	中国的烦恼：为什么没有Steve Jobs这样的人才 (@tech2ipo)	代友招人1：个性化推荐产品经理@当当	代友招聘：豆瓣寻人	我们在等你！
无觅

请您来帮助我们做好电子商务网站的个性化推荐系列产品：

1）购物流程中的各个商品推荐模块
   如交叉销售、打包购买、浏览推荐、收藏夹、购物车推荐、

您可能也喜欢：

Steve Jobs所颠覆的 (@tech2ipo)

Jobs教会了我们什么？ (@tech2ipo)

代友招聘：搜索产品经理@饭统网

代友招人2：数据挖掘实习生@当当

代友招聘：豆瓣寻人

无觅