摘要： 最近几天测试了mahout svd算法，网上的文档比较少，花了不少时间读它的代码，终于把流程搞清楚了，在这里总结一下。1、关于奇异值分解的理论基础，请参看下面的链接http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html2、关于奇异值分解的应用场景，请参看下面的例子http://www.igvita.com/2007/01/15/svd-recommendation-system-in-ruby/3、关于奇异值分解输入、输出文格式的件的转换，，请参考 http://bickson.blogsp 阅读全文

摘要： 最近看推荐系统方面的东西也有段日子了，有书，博客，唯独没有看论文。总感觉论文对于工业界来说用处真的不如学校做课题、论文那么大，只要知道某个算法好不好用以及怎么用就可以了，也不必知道太多的细节和数学推导。但根据一个好的算法，产品部门可以设计出很多很酷的产品，让用户倍感web应用的人性化。在看书，看大牛们的博客时，学习到了很多算法和思路。现在总结一下：1、Item based collective filtering这个算法是cf中的一种，也是当今很多大型网站都在采用的核心算法之一。对于商城网站（以Amazon为代表，当然也包括京东那种具有搞笑特色的推荐系统在内），影视类推荐，图书类推荐，音乐类推 阅读全文

摘要： 我总结了一下现有的著名的商业推荐系统，这里也分享一下：图书Amazon豆瓣读书当当网新闻google newsGenieo电影NetflixJinniMovieLensRotten TomatoesFlixsterMTime音乐豆瓣电台LastfmPandoraMufinLalaEMusicPing视频YoutubeHuluClciker文章CiteULikeGoogle ReaderStumbleUpon旅游WanderflyTripAdvisor社会网络Facebooktwitter综合AmazonGetGlueStrands欢迎大家补充，我还在不断完善这个列表本文转载在：http://b 阅读全文

摘要： KDD Cup 2011的主题是音乐推荐，虽然数据集还没有正式公布，但相关的讨论已经开始预热了。本次数据集合的一个特点，是评分对象不光是歌曲，还包括专辑、艺术家 和音乐流派，这使得用户的偏好相对更丰富和层次化；但content-based的研究者意见很大，音乐信息也被搞成匿名使得他们基本没法玩了。其实个人认为，即使有了用户评分和资源数据，类似这样以特定目标函数为优化对象的竞赛，距离实际应用的音乐推荐系统还有蛮大的差别。毕竟我们没办法拿几个 prediction指标来评价效果，更何况对于一个日常实际应用来讲，在更新相对缓慢的音乐数据集合上想要做的不是一个单次推荐。还是那句正确的废话， 数据、算法 阅读全文