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

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

这个「国家（指 Google）」是网络世界中的第一个霸权，它可以控制数据和知识的流通，影响人类的所见所闻乃至精神世界的每个方面；它握有大量个人隐私信息，并且具有无可撼动的垄断地位；它在许多场合起到的已经是近乎可以类比于公权力的作用。而另一方面，它只是一家私有公司，没有任何方式可以从外部对它合法的控制力进行监督和制约。它当然也许确实会始终尽量不干预搜索排名，小心翼翼地维护互联网的自由和公正，但这只是它自己的道义承诺而已，而我们甚至想不出什么办法来验证这一点。

木遥的整篇文字非常中肯，但若单独摘引这一段，则是典型的“断章取义”。同一段文字，放在木遥的全文里看与单独看此段，差不多会造成两种理解，作语义的同学想必对此有深刻体会，这就是 Context（上下文）的作用。

在 Personalization 方面，亦是如此 —— Context 非常重要！

春节前，kuber 在 Resys Group 里发起了一个讨论，“基于SNS/Lifestream的推荐”，提到了 Google 近期的一些动作。其实长久以来，在个性化领域，Google 一直在下一盘很大的棋！看看他的布局吧。

1. Personalized new tab page
   这个是2009年1月 Google Toolbar 推出的一个 feature，当你打开 Firefox 时，不再只是看到一个空白 tab 页，Google 会根据你的浏览历史，为你定制一个个性化 tab，包含你最常用的一些站点或页面。这个已经是新一代浏览器的标配了。

2. Interested-based Ads
   传统的 Adsense 广告，是根据与网页内容的相关度进行展示的，与浏览者本身的兴趣无关。2009年3月 Google 推出了这种基于用户兴趣的广告，浏览者看到的不再仅是与内容相关的广告，而是与其本身兴趣相符的广告。至于用户兴趣哪里来的？抛开搜索记录不说，遍布互联网的 Analytics 和 Adsense 脚本本身，就能干不少事情了。

3. Personalized keyword-suggestions
   尽管这个搜索提示功能没少给谷歌找麻烦，但 Google 显然认为这个东东对用户是有益的，尤其是对登录之后的搜索用户。当用户登录了 Google 帐号，并启用了 Web History 功能之后，搜索提示会把你最近频繁使用的几个关键字显示给你，这对搜索到一半被打断回头又想继续的用户来说体验很好。当然了，谷歌用户自然是无缘使用的。

4. Google Reader by Personalized Ranking
   个性化的信息阅读，是用户长久以来的心声，久觅未果不少人甚至已经开始自己动手实现。2009年10月，Google Reader 对在这方面的官方支持终于千呼万唤始出来。最吸引眼球的是新增的“Sort by magic”排序功能，它综合考虑用户的阅读历史，包括 Trends、Start、Share 以及 Like 等，将待阅读的内容进行个性化地排序。这对动辄 1000+ 未读条目的用户来讲，绝对是个福音，就我个人的使用体验来看，效果相当不错。

5. Google News Personalization
   2009年10月，Google CEO Eric Schmidt 在接受采访的时候说，“想像这样一个媒体：它知道你是谁，知道你喜欢什么，知道你看过哪些新闻，它能够评价你是否喜欢正在阅读的文章，还能够专门挑出你感兴趣的广告…”——科技是多么的伟大！但也有用户说了，“靠！这简直是阿鼻地狱啊，还是麻溜地不要再用 Google 服务了”，杯具啊！

6. Personalized Search
   Google CEO Eric Schmidt 和美女总裁都说了，“搜索的未来要靠个性化”！目前，基于关键字的搜索，无疑已经成为帮助用户从信息海洋中寻找内容的重要手段，但互联网暴长的数据容量其实让 Google 也很头大。搜索引擎通过长期分析用户的搜索行为，可以感知用户的意图，从而在特定范围内完成搜索，有效地提高搜索效率，增强用户粘性。有关 Google 个性化搜索更详尽的资料，可以参考这里，另外 Resys 里也有过一次热烈的讨论。

7. Personalized Gmail Ads
   从 Gmail 诞生的第一天，它就是贴着小广告的。这个事情之前差点犯了众怒，后来 Google 保证仅展示“Family-Safe”的广告，并许诺说，“Ads and links to related pages only appear alongside the message that they are targeted to, and are only shown when the Google Mail user, whether sender or recipient, is viewing that particular message.”。现在，Google 在标红的“only”前面加入了一个“not”。隐私问题与个性化服务的矛盾由来已久，这个事情我认为解决方案和 Google 退出中国的诉求是一致的，只要有法可依即可。关于 Gmail 里的广告，这里有一枚杯具，欢迎围观。

8. Google Buzz
   Buzz 在这事儿上毫不含糊，直接就说了，“Buzz recommends interesting posts and weeds out ones you’re likely to skip.”。为了验证 Google 的这个说法，我正在戒推进行中，全力使用 Buzz，看它能不能给我带来什么惊喜。就目前的体验来讲，我基本上是可耻的失败鸟。

9. Google Friend Connect
   Boss 总是最后出场！但人生就像一个茶几，你永远不知道下一个被放上来的是哪枚杯具。Facebook 新近发布的 Open Graph，有很大机会把擅长把别人搞成杯具的 Google 搞成彻头彻尾的杯具帝，让我们拭目以待吧！

图片来源

您可能也喜欢：
《Programming Collective Intelligence》书评	Early Amazon: The first week	怎样利用 GReader Share 数据？	购物车推荐	Semantic Web：语义网是如何运作的？
无觅

长尾理论 [1]，是由《Wired》杂志的主编 Chris Anderson 在 2004 年提出的。此外，他还编撰了同主题的一本书《长尾理论》，来详细阐述这个概念及其带来的深远影响。尽管 Anderson 在致力于颠覆人们对畅销产品的认知，但无疑他自己已经从畅销产品上大赚了一票——《长尾理论》这本书一经出版即大卖。

以 iTunes 服务为例，长尾理论认为，对于这样的纯数字服务来说，由于不再需要货架，也没有制造成本和分销费用，卖出一件非流行品与卖出一件流行品之间没有任何区别，它们的边际利润都是一样的。于是乎，流行不再是利润的唯一代名词了。通过尽可能地扩充产品种类，尽可能地降低产品价格，并充分发挥个性化推荐技术的效能，可以把顾客的需求朝长尾的方向引导，通过大量的之前无人问津的产品产生销售，累积起来就可以获得一个甚至比原有流行市场容量还要大的利基市场。

我是长尾理论的坚定拥护者。

但人生就是一个又一个的轮回。在长尾理论风光了五年之后，重量级的质疑终于还是来了。沃顿商学院的信息学教授 Serguei Netessine 与他的博士研究生 Tom Tan 一起，发表了一篇工作论文，《Is Tom Cruise Threatened? Using Netflix Prize Data to Examine the Long Tail of Electronic Commerce》。他们通过分析 Netflix Prize 公布的数据，研究了消费者在 Netflix 网站上表现出来的对热门影片以及小众影片的需求情况。论文使用的分析方法严谨有逻辑，讲解也详实有条理，因此结果相当令人信服：“在大部分情况下，长尾效应可能并没有人们想象的那么普遍”！

我这里仅陈述结论，对具体内容感兴趣可以去读一下 paper。

1）论文提出了一个重要问题，到底如何定义“头部”和“长尾”？

在长尾理论里，Anderson 使用的是“绝对定义（absolute term）”的办法，比如“100 部顶级大片”和“100 部小众影片”。Anderson 之所以这么界定，是建立在与传统实体商业模式相比较的基础之上的，比如，录像租赁连锁店 Blockbuster 平均只能提供不到 3000 个DVD；4 万首曲目通常是一个中等音像店的流动库存量。在传统模式下，能够提供的产品总量是相对稳定的，而且所有的产品也都是以某种差不多固定的比率被消费的。
而 Netessine 教授则认为，Anderson 使用的这种绝对定义的方法是有误导性的。在互联网环境下，虽然消费者不再受地域限制，单一产品的受众得以增加；但产品的数量有了极大的提高，越来越多的产品根本无法被发现，或者还来不及被发现就又被新产品淹没了——Netflix 的数据证明了这种结论。因此，必须使用“相对定义（relative term）”的方法，把产品数量快速变化这个因素考虑进来。

2）如果同意使用“相对定义”的方法，那么，Netessine 教授的研究结果表明，在 Netflix 公布的数据中，并没有发现其中存在任何长尾效应。而且还恰恰与长尾理论正相反，帕累托原理（80/20法则）的效应变得更强了，人们对 Top-20% 影片的需求，从 2000 年的 86% 增长到了 2005 年的 90%。
此外，论文中也使用了 Anderson 的绝对定义方法来进行数据分析，结果发现，长尾效应只显示了一部分：随着时间的推移，消费者对大片的需求确实下降了，但对小众影片的需求也同样在逐步降低。（那需求哪里去了？）

3）下面这些现象，均会在一定程度上限制长尾效应发挥作用。

• 大胆尝试小众影片的主要是电影发烧友，但是发烧友在观影群体中仅占很小的一部分（大约 25%）。而且从满意程度上看，小众影片与大片相比并不能带来额外的满意度。
• 目前流行的基于协同过滤的推荐系统，有滞后效应，并倾向于把相似的影片推荐给相似的用户，而且，越多人打分的影片被推荐的概率越大。
• 通常我们会认为，社会化网络 SNS
  的流行，使得口碑（word-of-mouth）的力量被几何性放大了。但有研究表明，口碑的作用其实是使“好的更好，差的更差”，即正面的口碑对畅销产品的影响更大，而负面的评价对利基产品的影响更大。而且，相似用户倾向于消费相似的产品，因为这样大家才具有共同的话题。
• 总体的搜索成本确实在下降，但同样也是“好的更好”，畅销产品的搜索结果相比利基产品更好了。

很明显，技术进步在同时提升了畅销产品和利基产品需求的情况下，却拉大了畅销产品与利基产品的差距。“好的更好”，对长尾效应是个严峻的问题，

前文中，我有意留了一个悬而未决的问题：“需求哪里去了”？Anderson 与 Netessine 的分歧正在这里。基于 Netflix 的数据分析结果表明，Top-500 影片的需求下降了，而紧接着的一部分需求却扩大了。按照绝对定义，Anderson 认为这是人们的需求在向长尾移动的表现；而按照相对定义，Netessine 认为这部分应该算在 Top-20% 中，即人们对头部的需求更大了。我个人认为，不管怎样，这都确实反应了人们多样化的诉求是存在的，并且在不断增长。

另外我觉得，与 Anderson 的长尾理论相比，Netessine 这份研究报告存在的一个问题就是他把所有的影片同等对待了。比如《变形金刚》和《疯狂的石头》，一个票房几亿美元，一个只有三千万人民币。尽管相比之下对石头的需求要低得多，但参照石头的拍摄成本来讲，这样的需求度足够了。与此相同的还有豆瓣音乐人，“Converse”的 Fans 只有 15369 个，与大牌歌手相比简直不值一提，但对于 Converse 来讲，这已经是一个很棒的开始了。

但无论如何，Netessine 教授的这篇报告，还是值得长尾理论实践者的高度关注。国内业界领先的实践者胖子，在这方面有着特别的智慧：

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。

我想，不管是相对定义的头更尖了，还是绝对定义的头更扁了，只要那条尾巴存在，我们这些专注于满足用户个性化需求的从业者，就值得为此努力。

您可能也喜欢：
EyeIO将成为Netflix解决带宽问题的秘密武器？ (@tech2ipo)	Netflix 为什么要放弃95％的收入来源 (@tech2ipo)	转载：推薦系統與長尾	迟来的感谢：Resys 豆瓣活动	Resys China 创刊号
无觅

“看着电视上的节日晚会
你觉得有意思吗
听着电台里的明星访谈
你觉得有意思吗
聊着网络上的花边新闻
你觉得有意思吗
过着现代程序化的生活
你觉得有意思吗” ——《有意思吗》

二十年前，
看着电视里面威武拉风的塔克，我嗷嗷乱叫，像一个《红旗下的蛋》。

十年前，
被授予五十周年国庆优秀标兵，我无动于衷，嘟哝着《别来纠缠我》。

上周，
在嘹亮的为人民服务口号声中，我蒙头大睡，《梦里回到唐朝》。

“也许征程的迷惘会扯碎我的手臂
可我相信未来会给我一双梦想的翅膀
虽然挫折的创伤已让我寸步难行
可我坚信光明就在远方” ——《光明》

十五年前，
足球比赛被淘汰了，和哥们儿肩并着肩高唱着《执着》，
那一天，《笑着哭》。

十年前，
欢迎新生联欢会上，和室友撕扯着破锣嗓子《随心所欲》，
那一天，《我在长大》。

五年前，
某大项目庆功会上，给学弟世故地指点着要《活得精彩》，
那一天，《我没有远方》。

“还记得许多年前的春天，
那时的我还没剪去长发，
没有信用卡没有她，
没有24小时热水的家。” ——《春天里》

今天，《问自己》，《奴隶努力》，只是《为了让生活继续》?

“伴随着自由的钟声象正义地审判
能听到窗外更猛烈的忏悔和呢喃
脆弱的巨塔伴随着虚空轰然坍塌
血之墙在闪电的轰鸣中颤抖不安

为活着的却不存在的人们而到来
为善良的却在流血的生命而坚持
为所有的罪与罚和爱与死而祈祷
为我们坚信却迷惘的未来而飘扬

这不曾是我们想要的光明
所有的痛都还在这里
就在最后可以说出再见之前
让我们怀着信仰在空中飘扬” ——《信仰在空中飘扬》

如果，你和我一样，三十而立，有迷茫，有无助，另外还有那么一点点小理想，
那么，《信仰在空中飘扬》，送给你，
一个人，认真听，
这歌声里，有力量。

您可能也喜欢：
Aircell：空中互联网服务潜力巨大 (@tech2ipo)	创业人物周云帆：“空中”降云帆！ (@alibuybuy)	Donews，你还信仰互联网吗？	美国总统之咒	http://www.guwendong.com/post/2009/toby_lessons_on_recommendation_systems.html
您可能也喜欢：
Resys Group 第四次活动总结 (by xlvector) (@resyschina)
Resys 第四次线下活动 – IBM CRL 专场 (@resyschina)
迟来的感谢：Resys 豆瓣活动
Resys China 创刊号
重磅推荐：Resys Group
无觅

Toby Segaran 是 Recommender Systems 及 Semantic Web 方面的大牛，著有两本很受欢迎的技术著作，《Programming Collective Intelligence》[1]、 《Programming the Semantic Web》。他具备一项羡煞旁人的技能——轻描淡写之间理清算法脉络，让枯燥的公式变成具有喜感的代码。我是他的 fans。

今年上半年，他受 Andreas Weigend 之邀，在 Stanford 的 Data Mining and Electronic Business 课堂上做了一次有关“Recommender Systems”的讲座。Andreas Weigend 之前在 Amazon 任职，位居首席科学家，在 Amazon 的推荐引擎建设方面做出了大量的贡献。下面是 Toby 自己列出的一些主要观点，

• Amazon makes 20-30% of its sales from recommendations. Only 16% of people go to Amazon with explicit intent to buy something
• The data that you collect matters much more than the algorithm you use. Amazon’s
  algorithm is essentially a large product-product correlation matrix for
  the past hour, but it works for them because hey collect so much data
  through user actions
• Many problems including shopping, targeted advertising, dating, finding events, etc. can be framed as recommendation problems
• Very important take away: find ways to collect as
  much user input as possible without being disruptive. People don’t
  train systems, they try to benefit themselves, but this is the best
  kind of training data
• There are a lot of different types of data that can train a system:
  votes, clicks, page-view time, purchases, tagging, adding a title — the
  user does these things anyway, and you can use the data
• A/B testing is an effective and underused way to learn about
  people. Simply by varying the way you phrase something, you can learn
  more about your users
• Very few systems now are combining metadata or content with
  collaborative filtering. The consensus in the class when discussing a
  music recommendation system was that this could be very effective

课程相关的资料在这里，看完这个，再对比我曾经所学的课程，想死的心都有了！

---

© guwendong for Beyond Search, 2009.
本文网址：http://www.guwendong.com/post/2009/toby_lessons_on_recommendation_systems.html
tags: resys | 参与讨论

您可能也喜欢：

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

Resys 第四次线下活动 – IBM CRL 专场 (@resyschina)

迟来的感谢：Resys 豆瓣活动

Resys China 创刊号

重磅推荐：Resys Group

无觅

]]>

选择只能是：标题+摘要。这个没招儿，那么多文章，必须有一个快速筛选的方法。标题是最一目了然的地方，这也是为什么那么多标题党的原因。摘要通常有两个方法，发布者给出，或者是自己快速扫一眼。人确实太NB了，随便扫一眼，就够计算机折腾一壶了。那计算机有办法模拟人来理解文章吗？语义分析。这个我不展开说了。
当文章看多了之后，我们会积累下来什么经验呢？

1. 某作者小A写的文章比较靠谱。这个信任的作者。
2. 某网站小E摘选的文章比较靠谱。这个其实信任的是编辑。

因此总结下来，评价一篇文章可读性的因素主要是 3 个：

1. 内容是否是我感兴趣的。
2. 我是否信任这个作者。
3. 我是否信任某个第三方的评价。

一个好的阅读工具，应该能够有效地帮助我们发掘和强化这三个因素。

Social Media 之所以流行，恰恰是因为它针对上面三个因素引入了一些新的特性。Social Media 有一个基本假设，即群体智慧，意思是说，参与到 social 中的群体越多，media 所反应出来的智慧越高超。

1. Tag，针对第一个因素。提高了内容判断的效率和准确性。作者小A的标题是有主观性的，而 Tag 是广大读者打的，更趋于客观。
2. Blog，针对第二个因素。作者小A以一种更加容易辨识的主体出现，读者对小A的认识更立体化，并且可以产生交互，容易记忆。
3. Digg/Share/推荐，针对第三个因素。这里是最体现群体智慧的地方，三个臭皮匠能顶一个诸葛亮。大家都说好，那么它真好的可能性，应该会比某网站小E说好的可能性要大。
4. SNS，更强化了上面的第三个因素。如果是你的好朋友推荐的，那么你觉得好的可能行就更大了。

据此，我个人简单分析一下最近国内热门的几个 Social Media 应用。

玩聚SR。一句话点评：个人认为是玩聚旗下感觉最对路的应用。

上图中底部的“分享者”一栏，目前看来用处不大，因为放眼望去这些分享者大多我不认识，不但不能增强阅读的信任感，反而是一种干扰：这些我不认识的人推荐出来的东西我要看吗？还不如像 digg 那样，只显示 digg 数字，放大数字带来的心理暗示：这么多人推荐，我也看看吧！
玩聚SR的页面，我个人感觉有些乱，会头晕。从用户体验角度看，可有可无的，最好不要。这个分享者列表，不如拿掉，在网页快照里面显示就好了。

豆瓣新九点。一句话点评：我是曾经的豆瓣一套的坚定拥护者，这次新九点终于把其融合了进来，很好。

上图中底部的“5人推荐”一栏，是个失败的设计。我看豆瓣的文章，首先看是谁推荐的，如果找到一个我非常认同的人，那么我必看，反而推荐人数并不是决定因素了。而豆瓣没有有效地利用这一点，导致和其他的阅读工具缺乏区别化。

用户访问某个网站，是有心理预期的。
玩聚SR，我没想在上面找到多少我认识的人，而大部分分享者我都不认识的事实，也正强化了这个心理预期。因此分享者列表作用小，推荐数作用大。
豆瓣，是我熟悉的网站，这上面有我熟识的朋友。用户带着这样的惯性从豆瓣来到九点，朋友作用大，数字作用小。
定位你最希望服务的用户，设计产品。不该用的用了，该用的确却没用，可惜了。

推荐继续阅读 NullPointer 的两篇 blog：

1. 从豆瓣的推荐功能说起——SNS网站的内向和外向
2. 接着说豆瓣的推荐功能——社会化推荐的动力和阻力

您可能也喜欢：
豆瓣推出豆瓣实验室与Doublo音乐游戏 (@tech2ipo)	说说低调的豆瓣 (@alibuybuy)	豆瓣改版	迟来的感谢：Resys 豆瓣活动	代友招聘：豆瓣寻人
无觅

2008年6月底，Digg 终于放出了大家期待已久的 recommendation engine。在运行1个多月之后，他们公布了统计效果：

1. 用户活跃度显著提高：增长了40％。
2. 运转的很好很强大：平均每个用户会得到200条推荐，这些推荐，平均来自于34个“像你”的用户；整个站点会产生54,000,000条推荐。 
3. 友邻活动/添加友邻增长了24％。 
4. 评论增长了11％。

　　
　　我不是 Digg 的深度用户，基本是在他们放出 recommendation engine 之后，才逐渐增加了 Digg 的使用频度，而且也还是断断续续的。但就简单体验来看，效果还是蛮不错的。如果你是 Digg 的忠实用户，非常欢迎到这里来讨论。

另外，最近在使用各类 SNS 的过程中，被好友动态折腾到不行。而且清一色的流水帐布局，乱，没有效率，也缺乏新意。我简单地提了个小设想，“在好友范围内，统计一天里最 popular 的东西”。回头却发现，FriendFeed 早在8月份的时候就已经推出了这个 feature。最近基本上没怎么使用 FriendFeed，疏忽了，看来接下来需要提高 FriendFeed 的使用频率，跟踪研究一下效果。

您可能也喜欢：
愿Digg安息（上） (@tech2ipo)	愿Digg安息（下） (@tech2ipo)	每日E图：Digg类网站正蓬勃发展，但Digg大势已去 (@tech2ipo)	社会化新闻聚合网站Digg该怎样重拾辉煌？ (@tech2ipo)	Digg+RDFa
无觅