我读过《编程集体智慧》一书，发现它很有趣。最近，我听说亚马逊向全世界发布了一个挑战，以为他们的系统提供更好的推荐引擎。

优胜者显然是通过限制向其馈送的信息量而产生了最佳算法。

作为第一个经验法则，我想："关于模糊算法，更多的信息不一定更好。"

我知道这是主观的，但最终它是可衡量的(单击以响应建议)。

由于这些天我们大多数人都在使用网络，搜索可以被视为一种推荐形式……我怀疑我不是唯一会欣赏其他人对此事的想法的人。

简而言之，"建立建议的最佳方法是什么？"

解决方案

回答

除非我们没有有关该用户的信息，否则我们不希望使用"总体流行度"。相反，我们想使该用户与相似用户保持一致，并相应地权重。

这正是贝叶斯推理所做的。用英语来说，这意味着用通常也投票支持其他人的评分来调整我们喜欢某事的总体概率(平均评分)。

另一个建议，但这次是临时的：我发现有些人如果喜欢的话，我几乎肯定会不喜欢。我不知道这种效果是真实的还是想像出来的，但是建立一种"负面效果"可能会很有趣，而不是仅仅因为相似性而束手无策。

最终，有一家专门从事这种技术的公司叫做SenseArray。所有者(freenet名望的Ian Clarke)非常平易近人。你打电话给我可以用我的名字。

回答

在整个计算机科学领域中，有一个专门研究该主题的领域。我建议阅读一些文章。