00825284.pdf
提出了Takealook这个系统
Open Sesame，HOMR是音乐的推荐系统
使用提问和回答的交互来更新用户的兴趣
与传统的CF不同之处在于采用基于内容的分析处理用户的回答，将用户的回答使用基于语义的方式产生联系。
如果A和B是用户X，Y分别喜欢说的，而AB的语义相似，那么XY兴趣也就相似
00885805.pdf
提出了一个“Nakif”系统，混合基于内容和协作的过滤
Wi,jk表示用户i对用户j对关键词k的看法是否可靠，在启动的时候Wi,jk=Vi,k表示不考虑j的看法，只考虑i对k的看法
给出了一个Wi的更新方法
THINK:可能数据更稀疏
00926594.pdf
使用P2P的评价系统，在一个group中用户需要进行评价，否则表示对这个group不感兴趣，将离开这个组
使用了社会交换理论（Social Exchange Theory）
00926699.pdf
Pearson公式和推荐分数公式的基本形式
为了解决数据系数问题，有的系统集中在某一个文档集中，有点系统要求有更多的用户评价
前者的方法有：Partitioning（Knowledge pump,GroupLens），Hybird Systems（学习用户反馈的语言习惯，GroupLens中Filterbots可以判断用户的习惯，如喜欢的文档长度、语言的精确度和回答的次数等）
后者的方法有：Better ranking when doing searches、Market model、Personal storage of information（书签等）
文章中制作了一个打印的程序，让用户在上面设置打印的页面设置，可以得到用户的喜好从而进行推荐
00931866.pdf
合并基于内容和协作的过滤，简单的加入了Cookie记录用户的clickstream，合并算法也很简单
THINK:大部分过滤是使用基于内容和协作的混合过滤，应用在电子商务上，我的重点是放在文档上，配合一定的文本分析
00931977.pdf
Java Expert System Shell
~~~~~~~~~~~~~~~~~~~~~~~~
基于规则（知识表示）的方法进行处理
00933901.pdf
协作过滤的应用领域有：targeted advertising,product or content recommendations, and user community services.
有个性的Web应用有三种类型：rule-based systems(BroadVision), collaborative filtering systems and content-based systems
基于规则的系统当数据变大时将很难继续，基于内容的系统比较直接和简单，但是没有考虑用户之间的相似度，基于协作的比较有效，但是经常得不到有效的用户兴趣相关数据
给出了一个分类算法
本文重点在如何离线分析用户的log文件，然后进行文档的分析，并最终将用户进行分类
00943105.pdf
使用最大熵进行CF
最大熵比较适合离线学习，而CF主要应用于在线，所以作者进行了分析
Fi表示一个特定的产品或站点，Ai表示选择这个产品的分值（选，不选，不知道），
N产品的数目
f表示一个实际的用户，f1～fN表示对产品的分别的兴趣
解决CF问题的方法有三种：基于memory，基于classification，统计模型
基于记忆：从已有的数据和新的数据一一比对，寻找比较合适的，类似于Knn，问题是当数据增大时性能下降很快
基于分类：使用SVM，对每个特征Fi都要建立一个SVM并进行训练；由于稀疏关系，在训练前需要用启发式进行数据的填充；而且新的例子也需要进行填充；离线训练的维度随N的平方增长，需要使用SVD进行将维。
基于统计：介绍了简单贝叶斯方法、Latent Variable 模型
介绍ME，由于ME需要大量的参数进行计算和迭代计算，所以可能需要几个小时甚至几天的时间进行计算；但虽然总的特征N很大，但已知的特征L却很小，所以可以在线进行计算
如果已知的特征L增大，那么SVM的性能将提高
给出了各个模型在时间上的消耗，第八页
ME只需要考虑L特征，和限制条件的多少
00953076.pdf
使用倒词频、熵、互信息取得特征的权重
本文给出了一个推荐的公式计算，Pa,j；pearson公式表示为w（a，j）
基于记忆的计算w虽然比较迅速反应当前信息，当如果数据量变大那么将很难计算
基于模型的虽然要离线计算，且比较慢，但是一旦建立起模型，那么下次使用就很快；适用于用户兴趣变化慢的场合
本文集中在基于记忆的算法
在Pearson公式中加入权重，表示产品的重要度（怪怪的公式，P公式用于计算用户和产品的兴趣度？？？）
01004361.pdf
以往的CF系统范围太小，都是同类型的社区，如果需要找别的类型的文档或东西需要去别的社区
提出用户之间应该建立联系，在基于P2P的环境里面进行推荐；各个推荐社区也需要进行用户信息的交流
是P2P，但着重在如何进行客户之间的安全交流设置。
01009143.pdf
给出了一个比较标准的预测公式和Pearson公式
01134360.pdf
个性网站的三种方法(前面提到过)：基于Rule的缺陷：用户不知道他们感兴趣的是什么，而且无法进行描述；基于内容的判断标准是用户以前所喜欢的东西所寻找的类似程度；对于新的东西，CF方法问题在于没人见过和使用过而无法推荐，基于内容的方法可能也无法进行判断，在这个方面本文提出了要考察网页之间的联系（Web Mining）
01167344.pdf
来自amazon的文章
电子商务推荐系统的挑战：一个零售商的客户有很多，上千万个客户，上百万的分类；实时性，半秒内；新用户的信息很少；老用户则充斥着许多信息，包括购买和rating信息；用户的兴趣是不稳定的，需要及时对这些变化作出反应。
解决推荐的方法（2003年的新方法）：传统的CF，cluster models，search－based methods
本文提出了新的item-to-item的cf方法，与用户、产品的大小无关
一般的CF的步骤是：找到购买和Rate相似的用户集合，然后将没买的产品推荐给用户。CF,CM
search-based methods 和本文的方法是寻找相似的产品集合，然后在进行推荐
THINK:用户自己维护的类别可以把里面的文档与预设的特征量等找相似度，判断用户的类别与默认的类别的相似度，从而可以得出用户文档的所属类别的概率
传统的CF的用户数M和产品数N可能很大，造成用户-产品的Vector很大，那么可以通过如下方法缩小：去掉很少买东西的用户（如果需要判断的用户买的东西就很少那么可能找不到相似的用户）、去掉很流行和很不流行的产品（那么这些产品将不再出现在推荐列表中），对产品进行分类（使推荐局限在指定的类中），对用户分类。但同时也下降了性能
Cluster Models：将用户使用聚类或分类到各个segments中，在判断时对user找到相似数最多的那个segment，从而进行推荐。由于在大空间中进行聚类很难，所以许多系统使用人工人类或一些贪心算法。由于CM只是比较User和segments之间的相似度，所以性能比CF高（需要User和User之间进行一一比较）。聚类是离线计算的。但是性能不高，因为找到一个相似的segment后，只是在这个seg中找相似的用户，而不能代表整个用户群；解决方法是使用许多finegrained segments(增加seg数量)，但是这样计算量就于CF类似
Search(Content)-Based Methods：对用户以前的购买记录和评价生成一个Query，去寻找合适的或同类型的产品，比如他买过《教父》那么会将其他的犯罪片子推荐给他。在用户购买的东西很少时这个方法比较有效。如果用户买的东西很多那么就很难计算了，因为结果可能是很通俗的（比如卖的最好的犯罪片子），或者太偏（同个作者的所有书籍），本来需要推荐的是最新的书籍或产品但却很难达到。
Amazon.com的做法：对用户在购物车（cart）里面的书籍找类似或者最有可能买的其他书籍，并列出来。
Item-to-Item CF：对用户已买的东西寻找类似或相关的东西，加入推荐列表。给出了算法