各大推荐引擎资料汇总

最近在做一个推荐的任务，头绪繁多，回头看看同行的工作，希望能有些帮助。

零零碎碎看过好多资料，有些已经忘记了，会慢慢补全。

也欢迎大家留言补充，尤其是关于豆瓣、新浪微博等的系统经验。之前在推荐系统大会上听过土豆、淘宝和点评的报告，收获不少。

欢迎同行加我微博进行交流。

视频类

Netflix：很多方法的融合，可以参考我翻译的blog。

Hulu：主要是item based CF，参考官方博客上的文章。

Youtube：开始是random walk，后来改为类似item based CF的方法，这是他们算法团队发表的论文。recsyschina上的点评， 豆瓣阿稳的点评。

图书类

Amazon：好多方法都用了，主要是 item based CF，参考Greg Linden的论文。这里讨论了一下其推荐系统的有效性；另外，这篇博客有一个简要的讨论，包含pandora的推荐方法。

资讯类

google news：用了CF和bayesian的方法：CF论文，bayesian论文。

digg：算法是 热门度+topic driven user based CF，官方博客找不到了，算法说明在这里。项亮的点评。

zite：可以参考这里。

音乐类

last.fm：用的是CF，参考这里。

yahoo music：参考Koren的论文。

pandora：音乐基因项目，主要依赖专家标注。参考这里，和这里，以及一篇对比的文章。

社交类

facebook：算法叫Edgerank， 参考这里和这里。

twitter：主要场景是推荐其它用户，参考官方介绍，以及quora上的讨论。

linkedin：负责人是Christian Posse，他在kdd2012上的slides。或者参考他们刚发表的论文，以及这里。

综合推荐

stumbleupon: 参考这里，网页上的图打不开了，放在下面。一篇综述的文章。

最后，以下是几篇不错的关于推荐系统的文章。

比较杂的：相关性时代，推荐系统的机会，推荐系统的挑战，无处不在的推荐，推荐系统微观点

豆瓣阿稳的：推荐算法与推荐产品，集体智慧vs专家智慧，推荐算法vs过滤系统

葫芦项亮的：推荐方面的资源，推荐算法有效性