原文链接：http://my.donews.com/clickstone/2007/01/21/mAEbXOYBqPfNNtYmLRZvESGTxWhESKlelQgi/
Alex Iskold 在 RWW 上发表了一篇文章，“The Art, Science and Business of Recommendation Engines”，这是一篇非常不错的关于“Recommender Systems”的文章，推荐大家一定阅读一下。由于Google，现在大家关注的热点是“Search”，但互联网不仅仅只是 Search，应该有更多，我们也需要更多。当我们知道自己要什么的时候，我们要做的是“Search”，比如我喜欢易中天的《品三国》，我可以 google 一下，看看它会给我些什么不一样的东西。这个时候，我的目的很明确，Search 围绕我的目的，可以作很多。但更多的时候，我其实并不是明确地知道自己想要什么，我只是无聊，我不知道应该 Search 什么，我就是想随便“翻翻”。这个“翻翻”就是 Alex 文章里面说到的 “Browse”。Alex 提到了很重要的一点，在 “Browse” 的状态下，用户“需要一些建议”（open to suggestions）。这正是需要 Recommender Systems 发挥作用的时候！
Alex 总结了 3 种推荐模式，它完全是从应用的角度划分的，但基本是可以和我之前提到的学术界的 3 种划分相对应的。
个人化推荐（personalized recommendation）—— 基于个人以前的行为模式进行推荐。
社会化推荐（social recommendation）—— 基于和你相似用户以前的行为模式进行推荐。
项推荐（item recommendation）—— 基于项本身进行推荐。
当然还有这 3 种混合模式的推荐。而且通常下，一个好的推荐系统，必然也是多种推荐方法相混合。觉得推荐模式的是数据！我们不讨论 Alex 的划分。他分析了 3 个非常成功的案例：Amazon、Pandora和 Del.icio.us。
Amazon 是当之无愧的“推荐之王（King of recommendation）”，无论是从推荐的实际效果还是从对推荐的重视程度上来看，都很难再找出一个能和 Amazon 比肩的应用。“据说（rumored）” Amazon 30% 的销售是依靠推荐带来的！Amazon 自然是根据需要选择了不同的推荐方法，Alex 的分析基本正确。
Pandora 为推荐系统打开了一个新思路，Alex 形象地称之为基于“基因”的推荐。据说，Pandora 大概花了四年的时间来准备它的音乐库，分析每一首歌曲的音乐特质，提取它的基因。冷开始问题，是所有推荐系统新上线时的最大问题，Pandora 通过耐心的积累和专业的工作，换来了上线后用户对其推荐准确性和低廉进入成本的如潮好评！“绑架？我们不专业啊！”，石头里这句经典的台词，其实在玩笑间说出了一个实实在在的道理——要成就一件事情，需要专业，包括态度的专业和技术的专业。但我个人认为，如果 Pandora 仅是停留在目前这种状况，还是无法建立不可逾越的壁垒的。它需要进一步在自己和用户之间建立一种有效的反馈回路，从而不断调整自己的推荐系统。Amazon 具备这种天然的反馈回路——它可以跟踪用户对推荐产品的实际购买情况。这完全不影响用户体验，在不知不觉间就可以完成。而 Pandora 不具备此天然回路，因为听音乐通常是一种背景活动，比如我，我会边写程序边听音乐，绝大部分它推荐给我的歌曲，我都会听，很少快进或者跳过，从而使 Pandora 丧失了获取反馈的机会。以 Pandora 现有的数据基础，如果可以很好的解决这个问题，那么 Pandora 之外的音乐推荐网站就都可以干别的去了。
有没有可能把 Pandora 这种基于“基因”的推荐方法拓展开来呢？Alex 说可以使用“tag”。但我个人持保留态度。Del.icio.us 是 tag 应用的开创者，它确实为我们管理和组织信息带来了一种新的行之有效的方法。但以此为基础进行推荐可行吗？应该慎重对待此问题。tag 的使用太过于随意，因人而异差别很大，基于这种随意打上的 tag 进行推荐，风险太大。推荐系统里有句名言，“不准确的推荐，还不如不推荐”！我曾经贴过一篇关于 tag 的文章，“Manual vs. automated tagging”，也推荐大家看一看。总之，一套精心设计的、能够引导用户正确标注的 tag 系统，是围绕 tag 展开推荐的基础。
Greg 对 Alex 的文章进行了回应，“The value of recommendation engines”，同样值得一看。