摘要：由于社交网络盛行，现在许多关于推荐系统的研究都考虑了如何使用social relation来改进推荐系统。虽然有很多论文都成功的使用social relation改进了推荐效果，然而，也有一些尝试失败了。那么在这里就稍微讨论一下为何social relation可以改进推荐系统，为何有些没有得到改进。social relation有益于推荐的方面：（1）用户倾向于向朋友寻求建议。用户的喜好通常和他/她social network中的用户相似。社会网络分析中的社会相关性理论（Homophily，social influence）的支撑。（2）传统的推荐系统打分信息非常稀疏以至于不能准确计算用户的 阅读全文

摘要：http://www.grouplens.org/taxonomy/term/14Movielens Dataset：其中Movielens-100k和movielens-1M有用户对电影的打分，电影的title、genre、IMDB链接、用户的gender、age、occupation、zip code。movielens-10M中还有用户对电影使用的tag信息。HetRec2011 Dataset：包括了movielens-2k、delicious-2k和last.fm-2k。在movielens-2k中，电影的信息更加丰富了，有IMDB和Rotten Tomatoes的信息，具体还有电影 阅读全文

摘要：1. LibFM项目主页：http://www.libfm.org/2. Svdfeature项目主页：http://apex.sjtu.edu.cn/apex_wiki/svdfeature3. Libsvm和Liblinearlibsvm项目主页：http://www.csie.ntu.edu.tw/~cjlin/libsvm/liblinear项目主页：http://www.csie.ntu.edu.tw/~cjlin/liblinear/初次使用必读：practical guidelibsvm的开发心得by林智仁：http://www.csie.ntu.edu.tw/~cjlin/ta 阅读全文

摘要：看了两篇关于社会化推荐的文章1：Factorization vs . Regularization: Fusing Heterogeneous Social Relationships in Top-N Recommendation. RecSys'112：Heterogeneous Data Fusion via Matrix Factorization for Augmenting Item, Group and Friend Recommendations. SAC'133：RecommendingInterestGroups toSocialMediaUsersby I 阅读全文

摘要：最近看了一些结合社会关系的推荐系统，把论文罗列一下：(TidalTrust) Generating predictive movie recommendations from trust in social networks. Springer'06Trust-aware recommender systems. RecSys'07TrustWalker: a random walk model for combining trust-based and item-based recommendation.KDD'09(SocialMF) A Matrix Factor 阅读全文

摘要：1. 缺少数据对于推荐系统来说，可能最大的问题就是需要大量的数据才能产生推荐结果。这也是为什么那些表现最突出的推荐系统都是来自于有数据的大公司，比如Google，Amazon，Netflix，Last.fm。正如Strands公司在他的演讲中提到的那样，一个好的推荐系统首先要获得内容数据，接着必须获得和分析用户数据（行为事件），最后才是算法的工作。内容和用户数据越多，获得好的推荐的比率就会越高。但是这也是一个“鸡和蛋”的问题——推荐系统的目的就是带来更多的用户点击和购买，而好的推荐系统需要大量的用户，你才能为推荐系统提供需要的数据。2. 变化的数据这个问题曾经被智能推荐系统公司 Clickto 阅读全文