原文链接：http://glinden.blogspot.com/2006/01/early-amazon-first-week.html
原文作者 Greg Linden 毕业于华盛顿大学计算机学院，1997 年加入 Amazon，领导开发了享誉业界的 Amazon 推荐引擎。
著名的 Item-based 推荐算法的提出者之一；Findory.com 创始人。
其 Blog – Geeking with Greg 是个性化推荐领域最有影响力的博客（没有之一）。
1997 年初的亚马逊公司，邋遢、混沌、但令人兴奋。
亚马逊公司位于美国西雅图市，办公室在第二大道的哥伦比亚大厦里，这是一座砖体结构的建筑物，已经有些年头了，离派克市场不远。从办公室的窗户望出去感觉 还不错，有一个本地的美沙酮诊所，还有一个贩卖怪诞假发的商店。你甚至隐约可以看见一些脱衣舞俱乐部，它们就藏在几个街区远的地方。插播八卦：派克市场有一个著名的 Athenian 餐厅，传世经典爱情影片《西雅图夜未眠》中，汤大哥就是在这里泡梅甜心的。
当然了，我现在还只是一个眨巴着大眼睛的刚刚研究生毕业的菜鸟，还不敢奢望有这样一个靠窗的工位。
我的工位在厨房。在亚马逊公司，空间从来都是一种奢侈，那个时候自然也是这样。报到的那天，我被领到我的办公室——一张安装在厨房角落里的牌桌，上面放着一台 PC。
在厨房办公还是着实有些乐趣的。在亚马逊，我几乎什么人都不认识，大多数同事都沉浸在无聊的窃窃私语之中。不过，他们倒经常会到离我不远的柜台上去取茶和咖啡。我弄了一个糖果瓶——嗯，免费的——尽力和他们搞关系，以求套出些什么来。
我的第一项任务是开始学习代码库。打开一个 shell 窗口，调出 emacs，然后开始阅读代码。我花了一些天来跟踪针对不同 URL 的分发器，研究 ol’ obidos ——一个用来支持 Amazon 网站运转的大型 CGI 程序——是怎样漂亮地处理不同的请求，主页，书籍详情页，搜索，购物车，以及订单流转。至今，大多数亚马逊 URL 里面还包含着“/exec/obidos”。插播八卦：不用为不知道 Obidos 为何物而犯囧，哥只是个传说。这里是正解。
这个系列其实我
早就想动手翻译了，一直拖着到现在才终于开工。与此类似的，还有一个 Doug Edwards 和 Ron Garret 撰写的
Early Google 系列，不过不知道什么时候已经被删掉了，Google fans 们有兴趣的话可以刨刨看。
Alex Iskold 在 RWW 上发表了一篇文章，“The Art, Science and Business of Recommendation Engines”，这是一篇非常不错的关于“Recommender Systems”的文章，推荐大家一定阅读一下。由于Google，现在大家关注的热点是“Search”，但互联网不仅仅只是 Search，应该有更多，我们也需要更多。当我们知道自己要什么的时候，我们要做的是“Search”，比如我喜欢易中天的《品三国》，我可以 google 一下，看看它会给我些什么不一样的东西。这个时候，我的目的很明确，Search 围绕我的目的，可以作很多。但更多的时候，我其实并不是明确地知道自己想要什么，我只是无聊，我不知道应该 Search 什么，我就是想随便“翻翻”。这个“翻翻”就是 Alex 文章里面说到的 “Browse”。Alex 提到了很重要的一点，在 “Browse” 的状态下，用户“需要一些建议”（open to suggestions）。这正是需要 Recommender Systems 发挥作用的时候！
Alex 总结了 3 种推荐模式，它完全是从应用的角度划分的，但基本是可以和我之前提到的学术界的 3 种划分相对应的。
- 个人化推荐（personalized recommendation）—— 基于个人以前的行为模式进行推荐。
- 社会化推荐（social recommendation）—— 基于和你相似用户以前的行为模式进行推荐。
- 项推荐（item recommendation）—— 基于项本身进行推荐。
当然还有这 3 种混合模式的推荐。而且通常下，一个好的推荐系统，必然也是多种推荐方法相混合。觉得推荐模式的是数据！我们不讨论 Alex 的划分。他分析了 3 个非常成功的案例：Amazon、Pandora和 Del.icio.us。
Amazon 是当之无愧的“推荐之王（King of recommendation）”，无论是从推荐的实际效果还是从对推荐的重视程度上来看，都很难再找出一个能和 Amazon 比肩的应用。“据说（rumored）” Amazon 30% 的销售是依靠推荐带来的！Amazon 自然是根据需要选择了不同的推荐方法，Alex 的分析基本正确。
Pandora 为推荐系统打开了一个新思路，Alex 形象地称之为基于“基因”的推荐。据说，Pandora 大概花了四年的时间来准备它的音乐库，分析每一首歌曲的音乐特质，提取它的基因。冷开始问题，是所有推荐系统新上线时的最大问题，Pandora 通过耐心的积累和专业的工作，换来了上线后用户对其推荐准确性和低廉进入成本的如潮好评！“绑架？我们不专业啊！”，石头里这句经典的台词，其实在玩笑间说出了一个实实在在的道理——要成就一件事情，需要专业，包括态度的专业和技术的专业。但我个人认为，如果 Pandora 仅是停留在目前这种状况，还是无法建立不可逾越的壁垒的。它需要进一步在自己和用户之间建立一种有效的反馈回路，从而不断调整自己的推荐系统。Amazon 具备这种天然的反馈回路——它可以跟踪用户对推荐产品的实际购买情况。这完全不影响用户体验，在不知不觉间就可以完成。而 Pandora 不具备此天然回路，因为听音乐通常是一种背景活动，比如我，我会边写程序边听音乐，绝大部分它推荐给我的歌曲，我都会听，很少快进或者跳过，从而使 Pandora 丧失了获取反馈的机会。以 Pandora 现有的数据基础，如果可以很好的解决这个问题，那么 Pandora 之外的音乐推荐网站就都可以干别的去了。
有没有可能把 Pandora 这种基于“基因”的推荐方法拓展开来呢？Alex 说可以使用“tag”。但我个人持保留态度。Del.icio.us 是 tag 应用的开创者，它确实为我们管理和组织信息带来了一种新的行之有效的方法。但以此为基础进行推荐可行吗？应该慎重对待此问题。tag 的使用太过于随意，因人而异差别很大，基于这种随意打上的 tag 进行推荐，风险太大。推荐系统里有句名言，“不准确的推荐，还不如不推荐”！我曾经贴过一篇关于 tag 的文章，“Manual vs. automated tagging”，也推荐大家看一看。总之，一套精心设计的、能够引导用户正确标注的 tag 系统，是围绕 tag 展开推荐的基础。
Greg 对 Alex 的文章进行了回应，“The value of recommendation engines”，同样值得一看。
