[討論] 關於推薦系統

[ciphero (奶油焗蛋餃...:))]

小弟目前在做推薦系統 (Recommendation System) 的研究

推薦系統在日常生活中其實還蠻常見的

例如逛Amazon會推薦你可能會有興趣的書，Netflix會推薦你喜歡的電影

但發現台灣目前在做推薦系統的公司似乎很少

連國內的相關研究也很少，找一下paper也是寥寥數篇

反觀國外跟大陸已經有很多研究了，還有專門的課程在大學裡授課

分析一下可能有以下幾點原因：

1. 推薦系統只是附屬在營運項目的一種功能而已，通常不是主要功能

2. 公司就算有在研發也是私底下研發，推薦演算法不會拿來公開發表

覺得在台灣幹這一行真的蠻孤單的...

專書也很稀有...絕大部分要靠上網查零零碎碎的原文資料 (不過這樣也較容易進步)

發個牢騷一下...XD


--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 114.37.116.232
→ Chita5566:kkbox有在做 說真的要做這個都要有一定規模的軟體公司
→ Chita5566:台灣大公司都半導體為主  當然少....
是的，我找來找去大概也就只有kkbox有明確的說要找recommendation的人才
應該也是跟該公司的性質有很大的關係 (大量節目 + 使用者)

推 MontaEllis8:這東西也真的只有大軟體公司會做 所以在台灣一定冷門
嗯...不但公司要有規模才有可能做，而且資料量也要夠多才有可能
而且在軟體研發、硬體架構這些事情上面也很耗費成本
光這些原因就夠令人卻步了.../_\

推 sleepwu:個人化也算是吧
推 sunSimon:淚推
樓上仁兄莫非也是相關的工作或研究嗎？ XD

推 gogohc:data ming 的一個應用吧
我個人倒認為recommendation比較接近於information retrieval
舉例：利用 tf-idf 計算哪個使用者喜歡哪個節目的程度
當然也不是說絕對啦，例如幫使用者分類、分群就可說是 data mining 的範圍

→ npsi:paper很少也正常 因為很難評估和比較 應該也沒有benchmark吧
→ francej:這東西資料的量比演算法還重要 事實上搜尋引擎也是啊
→ francej:MS怎麼可能會想不出跟Google一樣厲害的演算法 會輸是輸在
→ francej:資料量就先天不如人囉
→ SWATMAN:推薦系統這個很多吧?美食、旅遊的一堆耶~
上面我有提到說「推薦系統在日常生活中其實還蠻常見的」
但是台灣專門就這方面的研究並不多 (但國外很多)
而且即使你有看到「推薦」功能，也並不等於「個人化推薦」
如果只是推薦當週最熱門的音樂、最多人吃的美食，簡單統計一下就可以達成這個功能
但這種功能與個人無關...

→ francej:至於為何Bing的資料量不如人 跟CEO是誰比較有關係
資料的多寡真的是大重點
我也是等收集到足夠的資料才敢開始分析的...= ="

※ 編輯: ciphero         來自: 114.37.116.232       (11/29 00:25)
推 ckaha:aprior algorithm 開始找吧 其實不少...
aprior只是AR的其中一種演算法，更只是推薦演算法的其中一種
而目前各大知名公司所使用的通常都是混合式的演算法
※ 編輯: ciphero         來自: 114.37.116.232       (11/29 00:39)
→ cyclone350:之前看過mahout，可惜沒資料讓我try
推 gasper:據我所知HTC Studio team也有在做
推 caty1010:國內學者有很多人在研究推薦系統啊 可以查一下 他們都有
→ caty1010:投上好期刊
推 dailike:104有
→ YunJonWei:你有認真找嗎，國內外都做到爛掉的東西
→ YunJonWei:而且明明就是用 "Recommender system" 才對。
→ YunJonWei:更不用說很多類似的系統，Reputation system等相關概念
→ YunJonWei:台灣幾乎每家EC也都有這種系統，怎麼會少呢。
→ YunJonWei:前3~5年更是玩 Real-time 的推薦系統，也玩得差不多爛了
→ YunJonWei:Yahoo最近的慾望牆，也是個好例子阿。
→ YunJonWei:總之國內這明明就很多人做啊。