隨筆檔案

術(shù)語：
content-based, neighborhood-based, collaborative filtering, substitutes(相等價的商品，如可口可樂與百事可樂), complements(附加的、補充的商品，如ipod和ipod faceplate), listing fee上市費, flippers(who buy a low price and resell at a higher price)

大致內(nèi)容：
這篇論文的作者是e-bay的高級技術(shù)人員，主要從scale, product dimension, buy dimension, seller dimension, buyer seller handshake這幾個方面和5Ws(what, where, when, why, who)和1H(how)來說明E-Bay推薦的關(guān)鍵問題和難點。
同樣的商品，可能有多種情況（有無盒，有無標簽，有多新/舊）。而對于買家，也分為casual shopper, impulsive shopper, value-driven shopper, collector filppers

what:對于用戶不同的瀏覽情況，給予不同的推薦。例如：用戶U1和U2都瀏覽了某個item-i1。用戶U1反復瀏覽多次i1，并將其加入購物車。用戶U2則看了一眼就再也沒有訪問i1的頁面。對于這兩位用戶，推薦系統(tǒng)所做出的推薦不能是相同的。
where:在用戶瀏覽的不同網(wǎng)頁/階段（search,bid,check-out,post-transaction）所做的推薦不同。
when:用戶在購買商品后，經(jīng)過不同的時間，給予不同的推薦(例如：對于一個剛買相機一天的用戶，推薦系統(tǒng)應該推薦其附件（包），對于一個買了相機30多天的用戶來說，推薦系統(tǒng)更應為其推薦一些關(guān)于相機保養(yǎng)的商品)
why:推薦系統(tǒng)給出推薦原因，如60%的用戶買了這個商品也買了那件
who:不同的用戶類型給予不同的推薦。對于老手，推薦并非有太大功效，而對于新用戶，則作用最大。
how:推薦時會有大規(guī)模，超稀疏的user-item矩陣，用SVD進行降維分解。另一種方案是聚類，可用K-means和層次聚類的方法。

論文：
Neel Sundaresan：Recommender Systems at the Long Tail.  Proceedings of the fifth ACM conference on Recommender systems, Oct. 2011
論文鏈接：
Recsys2011_Recommender_System_at_the_Long_Tail.pdf