个性化互联网和推荐引擎

推荐引擎并不是一个新概念，大型的电子商务网站(例如，Amazon)很多年前就采用了推荐引擎技术，但是从2008年开始，陆续看到很多采用推荐引擎技术的网站开始盈利，推荐引擎就更受关注了，最近又有谷歌个性化搜索服务被诉侵权的报道，涉案专利是2000年申请的，而个性化是推荐引擎的核心，由此可见，推荐引擎的历史很久远。本文对其历史进行回溯，将一些关键资料进行汇集，方便产品和市场战略研究。

推荐引擎的价值

The Art, Science and Business of Recommendation Engines清晰地解释了推荐引擎的价值——是在线企业差异化竞争的利器。

原文指出用户上网行为分成两类：搜索和浏览。当消费者清楚地知道自己要找什么商品时，他的上网行为是搜索；如果用户并不清楚要找什么，只是逛一逛，此时他是在浏览，这是商家抓住消费者的有利时机，因为他并没有决定要买什么，他愿意听多种建议，推荐该粉墨登场了。

根据The Art, Science and Business of Recommendation Engines，推荐方式分成四类：

• 个性化推荐（Personalized recommendation），根据某个人过去的消费行为推荐商品
• 社会化推荐（Social recommendation），根据类似的消费者的过去的消费行为推荐商品。当前社交网络(SNS)正被热炒，提高用户注册量、增加用户活跃程度是 SNS发展的第一阶段，这个阶段也许即将结束了，下一个阶段是挖掘用户行为数据和社交关系图谱，用户在SNS系统中的活动数据是一个宝库，如果利用合适的 算法进行挖掘，社会化推荐就更有效了
• 物品推荐（Item recommendation），根据物品（商品）的特性进行推荐
• 上述三种方式的结合

The Art, Science and Business of Recommendation Engines以使用Amazon的体验为例详细讲解了上述四类推荐的案例。

推荐引擎需要面对的问题

The Art, Science and Business of Recommendation Engines将Amazon作为例子，Amazon有积累了10几年的用户消费行为数据，这就是它在推荐引擎方面的核心竞争力，即使Amazon拥有这么庞大的数据以供挖掘，它也需要面对很多难题需要解决。

5 Problems of Recommender Systems总结了5大需要解决的问题。

数据匮乏

也许Amazon没有这个问题，这是给推荐引擎产业的新进入者设置的最大的门槛

应对数据变化

因为核心算法是对历史数据的统计，所以偏爱老数据，而新的变化难于及时体现，所以难于跟上时尚潮流的变化（past behavior [of users] is not a good tool because the trends are always changing），同时原文指出：在变化很快的时尚领域物品推荐方式不太奏效，因为单个物品的特性太多而且随时间变化，所以，社会化推荐也许更有效。

应对用户喜好的变化

用户每次使用同一个系统（例如，Amazon）的目的不同，所以推荐算法也许会迷惑。但是，本人认为通过长时间的采集用户的行为数据，某个用户的消费倾向还是能够把握的，本人使用当当网购物时就体会到它的推荐还是比较贴合我的口味的。

个别物品的特性具有对立的多面性

有些物品，在同一个物品身上能够发现不相容的商品特性，主要在文化基因和个人喜好方面，这类物品很难推荐。

计算很复杂

要面对的问题有：原始数据量巨大、需计算的参数很多，因此计算很复杂。

个性化互联网

个性化是推荐引擎实现的基础，有了大量的个性化数据采集和挖掘，推荐引擎才得以实施，而推荐引擎只是个性化互联网的一种应用，在个性化基础上还会有很多应用涌现。

Top 5 Web Trends of 2009: Personalization对个性化和内容过滤进行了论述，个性化数据是关键，而这些数据一般都是结构化数据，原文罗列了多个结构化数据源和技术标准，并提及社交图谱的重要性。