豆瓣上有一个有意思的 topic，“你最厌恶的三本书是？”。我猜发起这个讨论的豆友可能是想看看，和他/她厌恶同样书的人还会厌恶其他一些什么书，以此为鉴、以防万一，免得自己被这些书恶心到。我觉得，这事儿要是豆瓣帮我们做了就好了！
和大多数的个性化推荐站点一样，豆瓣可以“猜我会喜欢”：《活着》、《不能承受的生命之轻》或者《达·芬奇密码》；可以告诉我“喜欢费马大定理的人也喜欢”：《数学:确定性的丧失》、《希尔伯特——数学世界的亚历山大》和《哥德尔、艾舍尔、巴赫——集异璧之大成》。但是豆瓣不能告诉我，我对《三重门》和《梦里花落知多少》毫无兴趣！豆瓣现在还不会猜我们“不喜欢什么”。
但是，LibraryThing.com 可以。大概是2006年5、6月份的时候，LibraryThing.com 推出了这个服务：UnSeggester。这个功能使用起来非常简单，你只需要输入你拥有或者读过的一本书，LibraryThing 就会列出来有哪些书它不推荐你阅读。大家可以试试这个，《the da vinci code》。个性化不推荐，很有意思。
LibraryThing.com 创办于2005年8月，核心服务为个人网络书架与基于书籍的社会化网络。LibraryThing 使用 Z39.50 协议自动从书商及图书馆那里获取书籍数据，用户还可以上传/导入符合 MARC 或者 Dublin Core 格式的书籍数据。（注：MARC 和 Dublin Core 都是与 Semantic Web 相关的规范，Semantic Web 实在是个好东西啊。）用户建立了属于自己的书架，对书进行 tag 等操作之后，LibraryThing 就会向你推荐你可能感兴趣的书籍，并且社会化网络功能也会起作用：使用“Members with your books”这个功能，LibraryThing 会告诉你 50 个和你拥有相似书籍的用户；当你浏览别人的书架时，LibraryThing 会告诉你他与你共同拥有哪些书籍。通过这些找朋友的方法，你可以方便地在 LibraryThing 上建立起你的书友网络。通常到这里，大多数此类网站的产品线也许就停止了，但 LibraryThing 没有，他更进了一步。LibraryThing 在社会化网络的运营方面，有其独特的招数——Swap Books。是的，图书交换 ！通过图书交换这种形式，LibraryThing 把虚拟的网络关系，实体化到了现实社会里！这步如果可以做好，那就相当厉害了！
说几句题外话，SNS/OpenSNS 最近很热。我个人将 SNS 分为两类路径，一类是从线下到线上，比如校友录，都是现实的同学；另外一类就是从线上到线下，比如 LinkedIn，经常会发线下聚会的邀请。我一直觉得，阳春白雪式的纯粹社会化虚拟网络实在是太虚了。可以看看，国内诸如驴友、车友、镭友这样的线下俱乐部都还是蛮红火的，而基于所谓的六度空间理论的 SNS 站点却始终不温不火。社会化网络，需要走到线下，需要落到实体上！大约在2004年，带着一帮师弟师妹们给导师做项目的时候，我曾经忽悠大家一起做一个面向在校大学生的 SNS 应用，就是计划以书籍交换为手段，建立起真实的面对面的线下关系及互动。中国人普遍爱书。书，是最容易产生共鸣，建立信任，促进长久联系的载体。若是通过类似这种方式，解决了多数大学生交际面狭窄的现状，一定大有可为。当时我甚至连可行的营收模式都考虑好了。后来，苦于自己忽悠能力有限，天使投资没找到，师弟师妹们看不到真金白银也不愿意全心投入，自己无奈下只好作罢了。那次经历，让我深刻地切实地体会到了团队的重要！
一时感慨，呵呵！咱们回来接着说 LibraryThing.com。LibraryThing 的发展速度还是相当迅猛的。2006年8月，当 LibraryThing 一岁的时候，已经拥有了超过 73,000 名注册用户以及 超过510 万册书籍。而截止到目前的最新数据是，298,000 名注册用户以及超过 2000 万册书籍。2006年5月，AbeBooks.com 收购了 LibraryThing 40% 的股份，价钱不详。 LibraryThing 的营收模式主要有两种：1、书籍发行商的广告/推广收入；2、个人收费用户。LibraryThing 的免费用户可以添加 200 册书，付费用户不限数量，两种收费标准，每年 10$ 或者是 25$ 终身。不知道豆瓣有没有考虑过向个人用户收费？在豆瓣上花少许的钱，得到更好的服务，这个我愿意！豆瓣可以用一件 T-Shirt 或是一个背包来吸引付费用户，你看 LibraryThing 就有。
MovieLens 是历史最悠久的推荐系统。它由美国 Minnesota 大学计算机科学与工程学院的 GroupLens 项目组创办，是一个非商业性质的、以研究为目的的实验性站点。MovieLens 主要使用 Collaborative Filtering 和 Association Rules 相结合的技术，向用户推荐他们感兴趣的电影。当然，这说起来简单，后台的算法肯定还是相当复杂的。
MovieLens 使用打分的方法获取用户对电影的偏好数据。在正式使用其服务前，需要用户对至少 15 部电影进行打分。当然，你对越多的电影打分，系统给你的推荐结果就会更趋于准确。题外话，douban 也是这种模式，在系统开始做出推荐之前，用户需要至少给 9 部电影打分。9 < 15，看来 douban 的算法似乎要先进一些，呵呵。MovieLens 的电影数据还是有些久远的，最开始让你打分的电影基本上是上世纪八九十年代的，因此，你得有足够的耐心找出你看过的，或者上 IMDB 查查剧情。
MovieLens 还可以针对一个 Group 进行推荐。MovieLens 的 Group 挺有意思，全都是动物，包括熊啊、鹰啊、猩猩、老虎、狮子什么的。我被分到了“Bear Group”。在组推荐模式下，MovieLens 会综合考虑每个组员的兴趣特征，最终给出一个合并后的推荐结果。对于“Bear Group”，MovieLens 认为最 cool 的电影是 Lord of Rings、Matrix 和 Star Wars，全部是我的最爱！
伴随着 Web 2.0 的兴起，MovieLens 也在努力进步着。2006 年，MovieLens 引入了 social tagging / collaborative tagging 的特性，开始进行基于 tag 的推荐尝试。
再说说 MovieLens 的创办者 —— GroupLens 项目组。这个项目组绝对是全世界推荐系统领域最具影响力的学术研究团体，他们为推荐系统的发展做出了许多卓越的贡献。
他们公布出来的 MovieLens 数据集，包括 6040 个用户针对 3900 部电影所进行的将近 1,000,000 条打分数据，是被使用最为广泛的实验资料，并且已经成为评价推荐算法的基准数据集。不过，和去年 Netflix 公布出来的数据集（480,189 个用户，17,770 部电影，100,480,507 条评分记录）相比，MovieLens 数据集少了 2 个数量级。它的位置相信会逐渐被 Netflix 数据所替代，这是时代进步的必然结果。
另外，作为名校的研究团队，GroupLens 项目组自然是发表了不少精彩的 paper。尤其是其中《GroupLens: An Open Architecture for Collaborative Filtering of Netnews (1994) 》这篇 paper，绝对称得上是推荐系统领域最具影响力的经典 paper 之一。
如果你想了解推荐系统的发展历程，那么你一定要到 MovieLens 上注册一个用户，使用使用，体验一下。
突然发现，转移到 guwendong.com 已经两个月了，而自己却一篇 Blog 都没写。坚持，确实是一种难能可贵的品性啊！这里不得不佩服一下 dbanotes ，可以保持那么高频率的 Blog 写作。籍着 Feedsky 博客大赛的由头，督促一下自己，开始这个“个性化站点介绍”的系列 Blog 。毋庸置疑，个性化/推荐技术，已经越来越受到关注，使用个性化/推荐技术的站点也越来越多。希望这个系列 Blog，可以对大家有些用处。
开篇决定留给
Findory.com。不知道国内有多少人使用过或是知道 Findory.com？但相信关注我 Blog 的朋友，应该早都知道这个消息了，“
Findory 要走了”！是的，你没看错，Findory.com 确实是将要
停止服务了。而这也是我把 Findory.com 选作开篇的原因之一。
Findory.com 是一个内容聚合网站，但与传统的一勺烩式的聚合不同，它专注于为用户提供个性化的阅读体验。Findory.com 的后台是一套基于 Collaborative Filtering 技术的推荐引擎，它通过分析用户在 Findory.com 站点上的点击记录，学习用户的兴趣，找出相似的其他用户，并据此向用户做出新内容的推荐。Findory.com 创办于2004年2月，最先提供了 news 推荐服务。随着不断发展，其推荐的内容，逐渐扩展到了 Blog，vedio 和 podcasts，后来甚至还提供了个性化搜索服务。Findory.com 对用户隐私的尊重，给我留下了很深刻的印象，用户可以不进行任何的注册，就能够享受到具有一定 personalized 程度的推荐服务。
Findory.com 的创始人 Greg Linden 是华盛顿大学计算机学院的一名博士生，毕业后于 1997 年加入了 Amazon.com。在那里，他与工程师团队一起，开发出了 Amazon.com 的个性化服务系统。迄今为止，Amazon.com 的推荐系统一直被认为是最领先的推荐系统，Greg Linden 也因此在业界赢得了声誉。其开创的 Collaborative Recommendations Using Item-to-Item Similarity Mappings 算法，也已经成为了业界最被广泛使用的推荐算法之一。
在 Findory.com 运营的高峰时期，也曾受到了比较广泛的关注。Wall Street Journal、ReadWriteWeb 和 PC World 等等，都有过分析和报导。在 PC World 的那篇文章里，作者 Ryan Singel 将 Findory 和 Google News 进行了直接对比，并给出了他的结论，“[Google's] recommendation engine seems less intelligent and transparent than Findory’s”，“Findory’s recommendation system works rather nicely.”。虽然这是 Ryan 的一家之言，但我也同样认为，在2007年以前，这是对 Findory.com 的正确评价！进入2007年以后，伴随着 Greg Linden 停止新 Features 的开发，以及 Google 越来越重视 Personalized，Google News 确实已经变得越来越好。但不管怎样，从总体来讲，无论商业上还是技术上，Findory.com 与 Greg Linden 的口碑都很好！
不愧为一个技术牛人，Greg Linden 成功维持 Findory.com 低成本平稳运营了 4 年：6 台低端服务器，使用单核的 AMD CPU，1G RAM，普通的 IDE 硬盘；清一色的开源软件，包括 linux 操作系统（不过 Greg Linden 倒是说，选择 Fedora Linux 是个错误），Apache，MySql，Perl 和 Berkeley DB。做 Web 后台开发的技术人员可以看看这 3 篇文章 [1] [2] [3]，挺有意思。
Greg Linden 于2007年1月14日首次公告了将停止 Findory.com 的运营。2007年11月1日，Findory.com 上终于放出了关站的通知。但不知何故，Findory.com 至今仍然还在提供服务。Greg Linden 在关站声明页面的 Update 里说，“The shut down of Findory has been postponed. The website will remain active past November 1, 2007. More information when I can.”。 希望“More Information”是好消息！
在 Findory.com 可能离我们远去之前，希望能有更多的人记住或是知道这个 Personalized Content 领域里的先行者。也祝愿 Greg Linden 可以开创新的辉煌。
进一步阅读：Starting Findory。
