Reading List 2015-03

@InfoQ推荐系统中最核心的数据之一是 user profile 数据。我们需要从大量历史用户行为中分析和挖掘各种维度的特征，来刻画用户的兴趣偏好。在QCon北京2015 @今日头条 架构师丁海峰，将分享中会介绍今日头条 user profile 系统的现状，面临的问题，系统演进，以及技术架构中的关键问题。http://www.qconbeijing.com/track/2509
@陈志武zwchen 电商网站用户，可分为两类：有购买欲望及明确购买目标，有购买欲望但无明确购买目标。前者为主动用户，决策较独立；后者为被动用户，需要被引导和刺激，协助其明确购买目标，如亚马逊强大的推荐系统，听说贡献了30%以上销售额。针对主动用户和被动用户，网站该如何设计呢？http://zwchen.iteye.com/blog/1439259 【重磅！大数据工程师 @飞林沙 的年终总结 算法数据的思考】一个优秀的推荐算法，一个优秀的推荐系统的确可以为企业创造很多价值，曾经和某知名电商网站的数据总监交流，他们的推荐系统实实在在地把销售额增加了15%，但是过于神话迷恋推荐算法和过于看扁推荐算法都是一种偏激的行为 http://www.36dsj.com/archives/18821
@AixinSG 今天读了两篇关于微博推荐的文章。对推荐系统了解不深，感觉微博推荐应该是个非常困难的问题。推荐的不是普通的item而是”人”, 一个人有多重身份，一般需要一个较长的熟悉过程，还有线上线下两个不同的交际圈子，增加了信息不对等。关注一个人也有累加的时间成本，得到的信息是否能抵消成本也是一个问题。 也谈谈新浪微博可能感兴趣的人
@爱可可-爱生活 [文章]《Personalized Recommendations at Etsy》https://codeascraft.com/2014/11/17/personalized-recommendations-at-etsy/ 介绍Etsy采用的个性化推荐算法，包括矩阵分解、交替最小二乘、随机SVD和局部敏感哈希等 @爱可可-爱生活 [文章]《Pinnability: Machine learning in the home feed》http://engineering.pinterest.com/post/114138410669/pinnability-machine-learning-in-the-home-feed 介绍Pinterest的Pinnability，基于机器学习提供个性化内容(推荐)列表 @付聪_BenFrank：主流商品往往代表了绝大多数用户的需求，而长尾商品往往代表了一小部分用户推荐系统的个性化需求。因此，如果要通过发掘长尾提高销售额，就必须充分研究用户的兴趣，而这正是个性化推荐系统主要解决的问题。 @6弗恩er：今日头条是一款基于数据化挖掘的个性化信息推荐引擎。根据微博行为、阅读行为、地理位置、职业年龄等挖掘出兴趣。用户每次动作后，10秒内更新用户模型。对每条信息提取几十个到几百个高维特征进行降维、相似计算、聚类等去重；通过大数据的处理进行个性化推荐，使用户无需设置，即可享受高质量信息 大数据系列文章第2篇——大数据之“用户行为分析”：http://36kr.com/p/205901.html 个性化推荐技术的十大挑战：http://www.programmer.com.cn/13824/ 个性化推荐系统的简单实现：http://www.slideshare.net/ssusera62527/ss-36914732 用Kiji构建实时、个性化推荐系统：http://www.infoq.com/cn/articles/kiji 一种基于LBS的移动个性化推荐系统：http://wenku.baidu.com/view/7f6bb028482fb4daa58d4b39.html 基于大规模隐式反馈的个性化推荐 http://www.jos.org.cn/html/2014/9/4648.htm

总结： 作为一个程序员，最重要的能力是自我学习、归纳、总结，知识在于总结而不是分享。如何把大量看到的、听到的信息、知识、笔记等转化为自己的经验值，是需要认真考虑的一件事情。

雨客 微博@JavaChen，这里的所有博客文章来自http://blog.javachen.com/。
dellemc-streaming_data_platform_final_compressed 立即下载