我已閱讀了這本書Programming Collective Intelligence，發現它很迷人。我最近聽說亞馬遜向全世界發佈了一個挑戰，希望爲他們的系統提供一個更好的推薦引擎。構建推薦引擎時應該考慮什麼？
贏家顯然是通過限制提供給它的信息量來產生最好的算法。
根據經驗，第一條規則我想......「更多信息未必是更好的時候，模糊算法。」
我知道是很主觀的，但最終這是一個衡量的東西（響應建議點擊）。
因爲我們大多數人，這些天處理的網頁和搜索可以被認爲是推薦的一種形式......我懷疑我不是誰願意欣賞這個其他人的想法只有一個。
簡而言之，「什麼是建立一個建議的最佳方式？」
你不想除非你有沒有關於用戶的信息使用「全面普及」。相反，您希望將此用戶與相似的用戶對齊並相應地加權。
這正是Bayesian Inference所做的。在英語中，它意味着調整你喜歡的東西的總體概率（平均評分），其他人的評分也是，他們通常也會爲你的方式投票。
另一個建議，但這次特設：我發現有人在哪裏，如果他們喜歡什麼，我幾乎可以肯定不是喜歡它。我不知道這種影響是真實的還是想象的，但是建立一種「負面影響」而不是僅僅通過相似性聚集人羣可能很有趣。
最後有一家公司專門研究SenseArray。店主（Ian Clarke的freenet fame）非常平易近人。如果你打電話給他，你可以用我的名字。
有一個計算機科學專門研究這個問題的整個研究領域。我建議讀some articles。
同意@Ricardo。這個問題過於寬泛，比如問「什麼是優化系統的最佳方式？」幾乎所有現有的推薦引擎
的一個共同特點是，提出最後建議歸結爲乘向量和矩陣的一些數字。例如，將包含用戶之間的接近權重的矩陣乘以項目評級的向量。
（當然，你必須要準備好大部分的載體是超級疏！）
我的回答是肯定來不及@Allain但對於其他用戶發現通過搜索這個問題 - 給我一個下午，問一個更具體的問題，我一定會迴應。
（我設計的推薦引擎專業。）
@Lao姿，我同意你的看法。
據我，推薦引擎是由以下部分組成：從上下文感知系統（記錄所有數據）
- 語境輸入輸送到過濾最明顯的
- 專家系統，根據上下文輸入在一段時間內改善主觀數據，並基於前面行動的加權總和進行決策靠近的決策的概率推理（貝爾iefs，慾望，&意圖）。
P.S. 我做了這樣的推薦引擎。
這是貝葉斯推斷的一個不正確的定義。根據數據，貝葉斯推斷將您從先前的意見轉換爲最新的意見。這個答案太廣泛了，以回答@ Allain的問題。 – isomorphismes 2011-03-05 05:46:38