本文件探讨了豆瓣在推荐系统中的实践与思考，主要关注其推荐引擎的产品形态和适合推荐的产品特征。文中分析了推荐系统的扩展性、面临的挑战以及下一代推荐系统的发展方向，包括用户行为模型和个性化推荐技术。文件强调了在信息过滤和推荐过程中的重要性，以及如何利用技术实现更精准的推荐效果。

1. 豆瓣在推荐领域的实践与思考胖子@豆瓣2009.12.19

3. 豆瓣的推荐引擎--豆瓣猜

4. 豆瓣猜的产品形态喜欢XX的也喜欢豆瓣猜你会喜欢今日推荐围绕推荐设计的产品

5. 什么样的产品适合推荐？具有媒体性的产品(MediaProduct)口味(taste)很重要单位成本不重要有瀑布效应 (information cascade)多样性

6. 媒体类产品的数据特征

7. 文章 人 图书条目数小组单曲唱片电影广告用户数

8. 图书文章广告稀疏性 人小组唱片电影单曲时效性

9. 人文章 图书多样性小组单曲唱片电影广告时效性

10. 人文章 图书多样性小组唱片单曲电影广告反馈

11. 什么样的产品适合推荐？条目增长相对稳定能够获得快速反馈稀疏性、多样性和时效性的平衡

12. 豆瓣的成长通过算法分析应对高成长性

13. 推荐系统的可扩展性User-Item矩阵 ，平均每行的非零元素个数是L个，考虑 的计算复杂性假设A的非零元均匀分布，求S的非零元素个数S中任一元素非零的概率为，

14. 则S的非零元素个数

15. 考虑A中的元素非均匀分布的情况letaccording to Cauchy-Schwarz Inequality so

16. 推荐系统的可扩展性降低存储空间近似算法/分块并行/分布式计算

17. 推荐系统面临的挑战产品形态推荐是一项技术还是一种产品/功能？推荐能否有独立的产品形态？

18. 兴趣过多推荐质量冷启动用户收藏

19. 评价指标Hit-rate / RMSE点击率如何形成闭环？

20. 黑盒推荐的问题倾向于给出平庸的推荐放大噪声有信息，无结构缺乏对用户的持续关注

21. 下一代推荐系统

22. Prediction明确的优化指标静态模型/系统由数据形成信息

23. Forecasting闭环的系统动态模型由信息形成知识

24. Recommendation以用户为中心，建立用户行为模型有记忆的，进化的系统由知识形成系统结构

25. 下一代推荐系统技术准备云计算Open IDSemantic Web…

26. 推荐Anti-Spammer信息过滤广告个性化技术机器学习用户模型…聚类协同过滤矩阵分解分类器

28. 个性化推荐与非个性化推荐人人都需要过滤器？？

29. 如何发现信息排序 (Ranking)关联 (Correlation)聚类/分类 (Clustering/Classification)过滤 (Filtering)

30. 一些有用的方法EMCorrelationEigen Vector BayesBoostingMeta-Heuristics

31. Algorithms should facilitate rather than replace social processes.

32. Q & AThanks