最好走的路越走越难，最难走的路越走越容易
我时常会以自己解决问题的能力而趾高气扬——“怎么着，强吧！这事儿换了别人至少得20个小时，咱20分钟搞定！”，然后就鼻孔冲人了，不管吹牛的成分有多大^_^。别人考问我问题，“你认为自己最强的地方是什么？”，这个也通常是我必然提及的答案之一。
然而事实远不是这码子事儿！对于一个技术人员，你解决问题的速度，“永远都不够快”！甚至你真的可以做到——用20分钟解决别人需要20小时才能解决的问题。想通过此路来建立自己的核心价值？门都没有！因为在这种状况下，你是而且仅是个解决问题的工具。时间长短，这不过是区分你是菜刀还是电锯的指标。
你得另辟蹊径！
我给自己选了一条路：专注于别人解决不了的“事情”。
哪怕你用20小时甚至200小时才能做到，但只要这个问题只有你才能解决的时候，那么，趾不趾高气扬，就完全看你自己的心情了。
不过这种“事情 ”也不好找，得有意识地锻炼自己的眼光和判断力才行。
不知不觉之间，离我最后一次发 Blog 已经过去了两个月了，我的 FeedSky 订阅数也悄悄地长到了 82，非常感谢大家对 Beyond Search 的支持！年后这段时间，基本上每周都有朋友给我发 Gmail，或者是询问是否还会继续更新 Beyond Search，或者是和我讨论推荐相关的话题，我都一一做了回复。昨天，又集中有 3 位朋友给我发了 Gmail，看来我有些必要上来冒个泡了，呵呵！年后这段时间，主要是我个人的事情太多了，工作上的、家庭上的、论文上的，一窝蜂的全部集中在了这两个月里了，整天浑浑噩噩地瞎忙，弄得我完全找不到节奏，甚至丧失了思考问题、研究问题的冲动。
五一节前的这段时间，我会好好地调整一下自己。一直想围绕 Netflix 上的数据作一些工作，我也会逐渐开始，争取五一期间可以拿出一些简单的成果和大家分享。
Beyond Search 我不会停止更新的，通过她我认识了好多朋友！不过正在考虑架一个自己独立的 Blog，这样会方便很多。正在寻找空间提供商，有物美价廉的大家给推荐推荐。^_^
今天切身体会了一把 Keso 的威力！Keso 仅仅是在他的“昨日新闻”里收录了我的一篇Blog，“推荐系统：Amazon、Pandora 和 Del.icio.us”，就为我的 Blog 带来了数量级的访问量提升。看看下面这组数据多么有震撼力啊！数据来源是我的 Google Analytics 帐户。
Date Range Visits Pageviews Mon 1/22 3 7 Tue 1/23 2 2 Wed 1/24 7 18 Thu 1/25 36 47 Fri 1/26 89 123 |
啥也不说了，对 Keso 只有高山仰止的份儿了！我积累了半年的 Feedsky 订阅只有 7 个，Keso 轻易就帮我涨到了 8 个，要是能突破 10 个就好了，哈哈。
其实这个现象也可以归为推荐系统里面的一个问题。在我之前有关 User-Based 与 Item-Based 推荐方法的介绍文章里，提到由于 User-Based 的计算量过大，性能比较差，所以现在的在线系统通常采用 Item-Based 的方法。然而在 2003 年，Mild 教授曾经从批判的角度审视了各种推荐算法，指出基于 Item-based 方法并不一定好，算法准确度与采用的实验数据数据有关，大多数情况下还是 User-based 方法好。就这个问题，我和豆瓣的首席推荐算法专家“胖子”曾经有过一次简单的讨论，希望可以寻找一个可行的思路以发挥 User-Based 方法的效能。当时达成的一个共识就是，如果是诸如 Keso 这样的牛人给我们做的推荐，通常都是有用的（得分比较高的）！这里面的关键问题就是如何识别“牛人”。今天受到了一些启发，对豆瓣来讲，从“友邻”出发弄一个 PeopleRank 出来应该是一个思路。众所周知，在豆瓣里被加入友邻次数最多的一定是阿北了；而在豆瓣上，阿北给出一个推荐肯定也能引起广泛的共鸣。有机会把这个想法作一下试验。
头一次有人链接我的文章，另外再纪念一下 Blog PV 突破 100！
Update: 2006.1.26，Feedsky 订阅数顺利超过 10 个，纪念一下，哈哈！谢谢 Keso！
zhuaxia（5）；Bloglines（4）；google reader（1）；GreatNews（1），感谢这些朋友！
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！
