感谢开放的豆瓣团队，感谢阿北和胖子，感谢阿稳同学为这次活动付出的巨大努力！
感谢大家对 Resys 活动的支持，2010 咱们继续折腾！
本文原发 2010年第2期《程序员》杂志，略有修改。也愿 CSDN 的质量节节高升。

年关之际，不仅天气冷，互联网更冷，不过这些都无法熄灭思想的火花。2009年12月19日，国内推荐技术社区 Resys Group（https://groups.google.com/group/resys）的第三次线下活动，在豆瓣网的鼎力支持之下顺利举办。 

Resys，取名自 Recommender System 的简写，社区的宗旨是搭建一个专注于推荐技术领域的讨论平台。截止目前，Resys Group 发展势头喜人，受到了国内推荐技术爱好者们的热情响应，线上讨论很是热烈，线下活动也已经成功进行了三次。 

本次活动由豆瓣网提供场地、点心饮料以及纪念品支持。豆瓣网在国内互联网行业美誉度很高，这是一家以帮助用户发现未知事物为己任的公司，他们在为用户的生活带来诸多乐趣的同时，也已经让自己变得足够有趣。“豆瓣猜”作为其标志性应用，一直以来倍受关注，在 Google 上搜索 “豆瓣猜”，有超过两百万条信息，热度可见一斑。

本次活动上，豆瓣网团队首次公开分享了他们运营 “豆瓣猜”的经验，系统介绍了他们在推荐领域的实践探索，可以说是对豆瓣网的一个不同于以往角度的新颖解读。据介绍，豆瓣网的创始人阿北与算法负责人王守崑是多年的好友。在豆瓣网内部最初的定位，书籍、电影、音乐等这些应用是钉子，推荐引擎是锤子，阿北带队找钉子，王守崑负责造锤子，配合得相当合拍。后来，豆瓣网逐渐成长为了一座舞台，推荐技术也伴随着赢得了更大的施展空间。

这次活动总共有三个主题，第一个是豆瓣网王守崑的《豆瓣在推荐系统领域的实践和思考》，第二个是迅捷英翔孙超与刘凯义的《推荐也是一种产品》，第三个是百度张栋博士的《大规模机器学习算法在互联网上的应用》。

第一个主题，主讲人王守崑总结了豆瓣网在推荐应用领域的探索，包括三个方面的内容。
首先，什么样的产品适合推荐？依据在图书、电影、音乐、文章、RSS源、社会网络等领域应用推荐技术的多年经验，王守崑先从定性的角度提出是“具有媒体性的产品 (Media Product)”，即选择多样、口味(taste)很重要、单位成本不重要，同时能够广泛传播 (Information Cascade)的产品；接着在对真实的数据集进行定量分析后，进一步得出，应该是条目增长相对稳定、能够快速获得用户反馈，数据稀疏性与条目多样性、时效性比较平衡的产品，才是适合推荐的产品。
其次，王守崑分享了豆瓣网的推荐引擎如何应对高成长性的挑战，即通过算法优化与近似算法设计，来寻求推荐质量与计算资源消耗之间的平衡。
最后，针对当前推荐系统面临的问题，王守崑把推荐系统分为 Prediction，Forecasting，Recommendation 三个阶段，并探讨了一种下一代推荐引擎的构想——基于用户行为模型的、有记忆的、可进化的系统。在演讲期间，主讲人也提出了一些开放性问题留给与会者思考，比如推荐能否拥有独立的产品形态？

总结陈词，王守崑把在算法领域的长期实践提炼成一句话：“Algorithms should facilitate rather than replace social process”，点睛之笔，简洁有力，闪耀着智慧的光芒。

第二个主题，是由迅捷英翔公司的孙超与刘凯义带来的《Recommendation Algorithm is a product》。他们从日常工作实践出发，抛出了一个问题：在一个成熟的商业系统里，
1）可推荐的商品（比如彩铃）数量多、种类繁、差异大（比如二人转与交响乐）；
2）用户数目众多且兴趣各异，不同的用户对不同的商品有着不同的偏好；
3）每种推荐算法所擅长解决问题的角度是不同的，比如协同过滤易出惊喜，内容推荐善于举一反三，基因推荐更加人性化。
那么，推荐引擎作为连接起用户与商品的枢纽，是否可以具备自学习的智能导航能力，依据系统反馈来自动为每一个用户优化算法配置呢？

诚恳地讲，这是一个非常有探讨价值的话题。以电影推荐为例，它是推荐技术发源的领域之一，相关的实际应用也最为深入。比如，IMDB 以基于打分的协同过滤技术为主，Jinni 将电影基因体系作为推荐引擎核心，Nanocrowd 通过分析影评的相关度来作推荐，LivingSocial: Movies 是 Facebook 上一款基于社会网络的电影推荐应用，最后还有号称要打败所有电影推荐引擎的 Clerkdogs，他们完全使用人工推荐电影。这些电影推荐引擎专注于不同的推荐维度，各有所长，国外已经有研究机构基于此开展工作，试图探索如何把不同的推荐方法更有效地组合起来。

主题三为《Parallel Algorithms For Mining Large Scale Data》，主讲人张栋博士在大规模机器学习领域经验丰富，一开场就脉络清晰地理出了机器学习领域的发展路线，从神经网络（Neural network）到支持向量机（SVM）到图模型（Graphical Model），再到条件随机场（CRF）并最后回归到深度信任网络（DBNs），各流派之间不断竞争螺旋上升，整个过程高屋建瓴并且故事性十足。接下来的主要话题，包括围绕天涯问答的算法原理，基于社会网络的精准广告，以及 MPI 与 MapReduce 两种并行计算框架的实际案例对比，都让与会者获益匪浅。

从张栋博士的报告中可以看到，顶级互联网公司对大规模计算极其重视，他们将传统的算法进行改造，使其能够适应互联网上的庞大数据量。目前业界云计算概念火热，抛开滥竽充数者，大规模数据计算能力绝对是评价云计算的硬指标之一。 Google 公司的研究总监 Peter Norvig 先生有句名言，“Worry about the data first before you worry about the algorithm”，即是在说大规模数据对于解决问题非常重要。xlvector 同学的感概，很让与会者共鸣，“评价一个（Research）工程师的指标不应该仅是懂多少种算法，还要看处理过多大规模的数据”。

本次活动的与会者，有正在从事数据挖掘相关工作的工程师，有致力于在推荐系统方面有所作为的创业人员，有对这个方向感兴趣的投资人，另外还有不少高校里专注于此方向的研究人员。各个主题的间隙是自由讨论的时间，与会者们进行了自由开放的交流。相对来讲，第一个与第三个主题更加直观和吸引人一些，毕竟大家可以从中窥得成功的经验。但是，Resys Group 同样也真诚地欢迎第二组演讲人这样的做法，提出探讨式的开放性主题，提供数据，交流体会，无权威结论，这样更加能够引发听者的思考与辩论。互联网上不会存在永远的领先者，自由、开放与分享是互联网的本质，顺应这个潮流终究可以超越。逆势而为者，死路一条。

本次活动各个主题的 PPT 文件，均可以从 http://www.slideshare.net/clickstone/tag/resys 下载。其中王守崑的报告尤其受欢迎，并在 twitter 上引发了大量转推，PPT 上传到 slideshare 网站的当天，即因为关注度高而进入了网站的首页推荐。

2010年，即将到来的 Resys Group 第四次线下活动，荣幸邀请到IBM CRL推荐技术研究团队作专场演讲，主题各个精彩，欢迎有兴趣的朋友保持关注。

您可能也喜欢：
Resys 第四次线下活动 – IBM CRL 专场 (@resyschina)	Resys Group 第四次活动总结 (by xlvector) (@resyschina)	重磅推荐：Resys Group	Resys China 创刊号	「个性化」时代
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

豆瓣的改版有两点我认同。
1、新的导航条相当有意义。
当豆瓣用户突破 100 万时，大多数人都忽略了一个小细节——胖子纠正说，“准确的说法叫做豆瓣注册用户突破一百万”。是啊，要知道豆瓣还有大几百万或者上千万的潜水用户呢！改版前，豆瓣好些个特棒的功能都散布在各个功能页面，老豆友们用的是顺溜，可潜水用户却没法子全面了解豆瓣的好。豆瓣也要发展啊！现在这样，把以前藏起来的宝贝拿出来，放在显眼的地方，让大家都看得见，才有可能吸引更多的潜水用户变成注册用户。豆瓣一贯都在认真地为豆友们服务，改版的这点儿小私心，我是很可以理解的。
2、将友邻调整到第一个相当正确。
正像阿北发布改版消息时说的，我也认为“广播”大大提升了友邻的价值。正是在广播上线后，我突然发现我每天都要上上豆瓣了，不为别的，就为看看友邻们又推荐了哪些内容，或者又发现了什么好书、好电影或是好音乐。对我而言，之前总感觉豆瓣似乎缺乏那么一点儿黏性。我时不时总会有那么一段儿时间，想不起来上豆瓣。分析一下，大致可能是以下原因：对书不是很感兴趣，看过的都是俗不可耐的，:-)，所以豆瓣的书评不太能吸引我；特别喜欢看电影，但说实话，现在有个网站里面的电影资料可能更丰富，而且评论也不差，豆瓣的电影频道也不是我想当然的首选；音乐我倒是天天听，但听来听去，耐我听的总还是那些，比如齐秦。至于小组/论坛之类的，我从0.0到1.0再到2.0，始终都不感冒，只有mop倒是上过不短的一段儿时间，后来也发现没什么意思了，也许是老了。豆瓣广播促使我发生的这个变化，让我很是高兴了一下！今后，友邻作为人肉过滤器的巨大价值，以及9点一套的个性化阅读，将是吸引我每天来豆瓣看看的坚定动力。

豆瓣的两个苗头我认同。
1、强化每个用户的个性化内容。
豆瓣改版后，首页里的“最受欢迎的”，变成了现在的“你可能关心的”，这个一定要赞一下。倒不是具体的这个变动本身多么令人兴奋，是因为，看到豆瓣坚持不懈地在个性化技术方面进行着探索和实验，让我钦佩不已！在国内，经常可以听到“技术无用论”的调调。我也承认，技术不是万能的，但技术绝对不应该如此被低估。在 Windows 技术诞生前，没人能想到原来我们可以这么简单地使用计算机；在 Internet 技术诞生前，没人能想到原来我们可以这么方便地共享信息；在 Google 诞生之前，没人能想到原来我们可以这么高效地获取知识！不仅仅是在计算机领域，历史已经证明，每一次技术变革，一定伴随着产业的升级，伴随着一个巨大的全新的市场机遇的来临。驾驭不了技术的浪潮，就注定你永远只能随波逐流。我相信技术的力量，我坚信个性化技术是未来最重要的最具创新力的技术领域之一，豆瓣在这个领域的实践，不光对他们自己，对整个中国互联网界，都必将有着重要的意义。
2、强化 SNS 的地位，或是转向 SNS 发展。
刚在自己之前的 blog 里瞎嚷嚷了几句，“社会化网络，需要走到线下，需要落到实体上！”。没两天就看到了麦田说，

在这个问题上，被人鄙视了我倒也无所谓，毕竟在社区运营上我不专业，到不了麦田那样作理论研究的高度。我只说我作为使用者的理解。数了数自己在豆瓣上为数不多的几个友邻，还真是绝大多数都实际碰过面，或者至少在Gtalk/MSN上聊过，完全不了解的极少。不知道大家如何看，反正对我来说，加一堆我不了解的人到友邻里，我是认为没太大必要。对于社区，我还有另外一个想法。社区也许应该像钱柜KTV那样运营：大厅最重要的作用就是摆放站方统一提供的食物，让大家知道这里好东西不少；进包间关上门就是我们一小撮儿人独立的空间了，在这里唱歌、打牌、杀人游戏，完全悠游自在，不会互相干扰。这种模式最重要的问题就是我该如何找到适合我的包间呢？这时候，产品/运营都起不了决定作用，就得靠技术——个性化技术。

另外有两点我提点儿意见。
1、让个性化来得更猛烈些吧！
阿北说老的”一行菜单，两次滚屏”，已经是个不可能的任务。但我觉得未必。我不知道其他豆友在豆瓣上最经常的使用路径是怎样的，反正我个人现在基本上是：从友邻到九点；看评论基本上是第一屏再加上友邻推荐案的；突然关注某本书、某部电影的时候，基本直接使用搜索。这样看来，我只需要“友邻”和“去九点”两个菜单，再周到些，考虑上为豆瓣推广新功能预留一个菜单，3个菜单，完全可以满足我的使用要求。还是之前那样，“一行菜单”，足矣！对潜水用户，使用改版后这样的导航条；对注册用户，进行路径分析，提供个性化导航！想一想，我几乎从未点击过的音乐菜单，你放在那里干吗，当摆设啊，完全可以拿掉，等我有要求了，访问频繁之后，你再自动为我加上。这是个性化发挥效应多好的地方啊！别人我不妄想，豆瓣应该把个性化进行到底，渗入到骨子里！
2、广播这个功能的设计，除了现在对于“我的广播”我可以选择“我想把下面这些放到我的广播里”之外，是否可以增加一个功能，让我选择“我想从友邻那里接收下面这些广播”。

最后，发自肺腑地，我要说，“还是把站标放到右边吧”！

无论如何，不断前进的豆瓣，才是更具价值的豆瓣！

您可能也喜欢：
豆瓣推出豆瓣实验室与Doublo音乐游戏 (@tech2ipo)