你用过的推荐引擎或者个性化推荐服务有哪些？
17 个回答
这个太多太多了，我拣能留下印象的写几个吧。
- 如果还提 Amazon/Netflix/IMDB/豆瓣 会不会显得很土？
- 豆瓣FM，让我五体投地顶礼膜拜的一款产品，我觉得豆瓣应该把它拆出来独立发展！
- 国外有个 Pandora。我个人非常喜欢基因方法，但不代表这是普适的方法。 http://www.guwendong.com/post/2007/amazon_pandora_delicious.html。电影领域类似的有一个 Jinni， http://www.guwendong.com/post/2009/jinni.html。
- Last.fm，几乎就要干死 Pandora 的时候，把自己卖了。。。音乐领域目前最大的肯定是iTunes了。
- StumbleUpon，差点儿被eBay祸害死，最近又重新焕发了生机。 http://www.guwendong.com/post/2009/social_media_algorithm_stumbleupon.html。
- 无觅网， http://www.wumii.com/，推荐领域国内最好的创业公司！目前一个给力的业务，无觅相关文章插件，国外有一个类似的， http://www.linkwithin.com/。
- Hunch，因创始人牛逼而备受关注，完美地转身到 Taste Graph 方向， http://www.cnblogs.com/zhengyun_ustc/archive/2010/03/08/hunch.html。
- 百分点，电子商务第三方推荐引擎服务商，业务正蓬勃发展中， http://www.baifendian.com/。国外做类似事情的一坨坨。
- Google Matrix， http://www.guwendong.com/post/2010/google_matrix.html。
- my6sense，个性化Twitter信息流， http://www.resyschina.com/2011/02/my6sense_twitter_addon.html。基于twitter在做的还有一家Gravity，Interest Graph，三个Myspace的高管出来搞的， http://www.resyschina.com/2010/11/gravity-interest-graph.html。当然还有Flipboard，之前收购了一家做语义的公司，想必也是在为推荐做准备。
- Facebook Open Graph，我认为这是互联网上的潘多拉盒子， http://blog.facebook.com/blog.php?post=383404517130。一个实例， http://www.resyschina.com/2010/12/clicker-facebook-instant.html。
- 移动互联网领域有木有？答案当然是肯定的了。4Q、Google Hotpot 都在盯着呢。
- 至于最热门的“Social Recommendation”，Quora上有一个好玩的问题，“为什么社会化推荐领域的创业公司总是杯具”， http://www.quora.com/Why-does-the-startup-idea-of-social-recommendations-consistently-fail。
- Zite，估计大家没听说过，技术很棒， http://zite.com/，我做简网的时候研究过一段儿。最近出了个iPad客户端。
- 我曾经写过一个“个性化站点”系列，不过没坚持下来～ http://www.guwendong.com/post/category/sites。
一写起来就发现实在是太多了，尤其是最近两年，相关的公司冒出来很多。欢迎大家继续补充吧。
我们团队做的指阅，个性化阅读应用，欢迎大家下载： https://itunes.apple.com/cn/app/id450737500?mt=8
~~~~~~~~~~~~~~
QQ浏览器小说是我之前在腾讯负责的，基本达到了我对自己的要求，请大家测评
（写这个答案主要目的是把志同道合的小伙伴挖出来加入我的大数据战队， 哈哈）
- 小说与小说的相关推荐
- 个性化推荐 （每位读者看到的都不同，每天更新，好奇的小伙伴可以彻试下，记得目前是在你搜不到结果时才有个性化推荐呦~）
- 相关推荐模型架构
- 个性化推荐模型架构
让这个抖机灵的答案沉下去吧_(:3JZ)_
---
我是搬运工
只说比较好的吧。毕竟推荐引擎多如牛毛，老外好这一口。
推荐引擎常见弊病：
1、冷启动严重；
2、受限社会化媒体数据。如果你的社会化媒体经营得很烂，那么从推荐引擎那儿你得不到什么新奇的发现。
效果还算是不错的：
1、无觅网， http://www.wumii.com/；
2、StumbleUpon；
3、豆瓣FM。
本来应该做好，但实际上没做好的：
1、虾米网；
2、新浪微博；
3、Google News中文版。
加一个amazon，推荐系统非常强大~国内的很多电商在模仿，但是做得还不够好，图书里的当当也还不错。
国内做得最好的，当属豆瓣了，尤其是豆瓣电台，大爱！
目前大家经常接触到的推荐引擎基本分为两类：“使用推荐引擎的应用”和“提供推荐引擎的技术服务商”。
推荐引擎最早是由亚马逊应用到电商领域用来解决长尾商品无法曝光和商品转化率低问题的。随着移动互联网的发展和内容行业的爆发，人们普遍面临着信息过载问题，所以陆续有“先见之明”的App接入了推荐引擎服务，主要涉及这几大类（以下都是APP）：
资讯类：新华社、今日头条、一点资讯、网易新闻、凤凰新闻、搜狐新闻
音频类：豆瓣FM、喜马拉雅FM、网易云音乐、QQ音乐、百度音乐
视频类：爱奇艺、优酷、腾讯视频、youtube、百度视频
社区类：豆瓣、知乎
电商类：淘宝、京东、小红书、阿里巴巴
垂直内容类：汽车之家、改装圈、36氪
社交类：ins、facebook、新浪微博
阅读类：白熊阅读、微信阅读
浏览器信息流类：UC、百度、搜狗
以上只是从各个不同业务的App里选取了大家比较熟知的、有代表性的App，使用推荐引擎的App很多很多，推荐引擎具体使用的页面、推荐引擎的具体策略、算法水平也因为每家公司的业务需求和技术实力的不同会有多多少少的差异。
但目前来说，能够自研推荐引擎并具体应用的公司大多属于各自领域的龙头，其原因不仅是目前高昂的算法、推荐系统团队成本，大规模GPU阵列、数据中心和计算集群这些软硬件成本，更多是因为自身的应用内积累了大量的数据，而数据的意义就是能够使整个推荐算法的模型相对来说更为精准。
但是对于并没有太多的数据还想从各自已经杀得血流成河的红海中创业公司来说，自研推荐引擎就有了很大的障碍和时间、试错成本。也正是因为这个原因，才会有第三方的推荐引擎技术提供商的存在。
而衡量第三方推荐引擎技术提供商的实力和产品的好坏主要有以下维度：
推荐算法、算力、特征工程、与业务结合能力、数据收集能力和数据调参能力。
推荐算法：目前比较通用的复合协同过滤算法、基于内容的算法、基于热度的算法（主要用于冷启动、排行榜）、人口统计学推荐、SVD等，当然推荐引擎不是拥有越多的算法就越好，而是算法之间可以相互融合，以推荐出满足不同业务场景的推荐结果。而且拥有数据量越大的第三方公司在理论上其算法模型经过调参会更加精准。
算力：推荐引擎计算上百万、上千万用户行为时，数据计算量可达千亿次、万亿次，而一般用户在App某个页面停留时间可能得按秒按分钟计算，所以这给推荐系统的压力是能否实时更新推荐结果，能否分钟级更新算法模型。每个用户只要发生过一次行为，整个数据就需要重新计算。因此，好的推荐系统背后必定是大规模高性能的Gpu阵列作为基础。
特征工程：推荐系统所需的特征工程主要看的是文本分析方面的技术。有人可能会问，难道推荐系统就只能根据语义进行分析么？根据视频进行特征提取的技术仍停留在实验室阶段而且目前的技术实力也无法根据视频判断意图；图片的特征提取商用化场景比较多，因此技术相对成熟，但推荐引擎的逻辑本身是推荐给用户更高概率可能会感兴趣的内容，相对语义来说，其实现成本和推荐准确度还是有很大差距的。其他特征工程还包括：对象预处理，用户预处理，近邻用户加权等。可以说，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
与业务结合能力：毕竟再炫酷的算法，多牛逼的算力如果不能因地制宜的与业务相结合也是然并卵的。是否可以定制化数据类型收集（判断是否感兴趣不仅可以根据点赞、点击等，还有浏览时长、页数等数据），是否具备行为数据调参能力（对各种行为兴趣度的调整）是判断好用不好用的重要标准。不客气的说，如果作为技术服务提供商，拥有多牛逼的算法，却不能满足用户的业务需求，跟耍流氓也没多少区别了。
以上是两大类常见的推荐引擎场景，请各位朋友们补充指正。
说一个比较俗气但是实用的，qunar的机票定制。在网站上定制了时间区间，折扣区间之后你只需要等着便宜机票送上门了。因为qunar已经搜罗了基本所有的靠谱的机票网站，你自己的查看更新的水平是肯定赶不上它的。所以这个服务很省精力的。
现在的算法已经很丰富了，但是貌似很多个性化推荐类产品用起来还是让人觉得不那么舒服
一句话，当产品的发展已经不再受制于技术时，接下来要考虑的是人性
简直多的不知从何说起。
1.首先说一个众人皆知的，今日头条首当其冲啊，当然那时已是为了了解这样一款风头正紧的App才去用，后来发现标题党也是有的，而且品牌调性与自己感觉不是很符合。
2.其次必须提及一个同性恋的社交软件blued（必须声明本人可不是同性恋，而且这还是一个男同性恋的社交软件），因为公司本来就是为客户提供个性化推荐技术服务，所以作为产品，必须了解实现的优良性，是否推荐的准确（其实有点为难我这个直女了），最后的推荐准确与否其实我没有体验太多出来，还是根据客户的付费转化来判断个性化推荐的好坏才是根本。
3.趣头条：一个与今日头条对垒的资讯类软件，选择去用也是因为他是我们公司的客户，需要判断我们提供的个性化推荐服务是否可靠；
4.淘宝网：淘宝的个性化推荐已是一个逆天的存在了，每一个模块都是个性化推荐的身影，简直就是让你打开App再也走不了的节奏；
5.掌上生活：连着中国企风的电商都开始注重个性化推荐，可见其重要性；
6.即刻：一个与好奇心日报有着相似感的App，虽然个性化推荐没有那么准确；
7.知乎：知乎的个性化推荐也是无处不在，但是我更喜欢自己在知乎主动搜索去寻求一些东西；
8.太多了太多了
用过一个炒股软件 叫布尔财经~他的财经新闻都是推荐引擎推送的，比较个性化。
布尔财经根据用户在社交媒体及产品中的行为，结合根据全网资讯所分析出的领域话题层级模型，同时考虑其对引擎推荐结果的互动反馈信息，为每一位读者建立一个动态的个人社交档案（SocialDNA）。据此计算出让读者感兴趣并且具有重要价值的资讯集合，实时主动地在全网搜集与之匹配的内容，第一时间呈现到读者眼前。
http://easyrequest.io
校园 App 是指面向特定学校学生旨在为学生提供本地化 的学习、生活等信息并具备一定社交功能的智能手机应用程 序，其运营者一般是所在学校有关部门的工作人员或在校学 生 [1]。其主要功能包括但不限于发布校园资讯、信息查询、 校园后勤、班级管理、个人课程与考试信息管理等。得益于 智能手机与网络建设的快速发展，加之学生对所属高校附 属电子产品的期待和喜爱，高校学生管理意识不断增强，校 园 App 发展迅速，尤其是在疫情时代下，更是在保障校园工 作正常运行方面体现了不可或缺的作用。目前市场上的校园 App，除校园官方开发及第三方参与开发外，也有不少是本 校学生自主研发。
第 41 次《中国互联网络发展状况统计报告》显示，我 国上网人数为 7.72 亿，手机上网的比重高达 97.5%，校园团 体兼具年轻和知识层次高等特点 , 手机网民比例 100%[2]。而 在这两类 App 中，高校附属的时间管理类软件占比较之更 少。时间规划对于工作效率的重要影响逐渐被大多数学生（用 户）认同，且领头作用也在不断影响着潜在用户。因此，校 园 App 以其针对性强、用户群稳定的独特优势，已经在 App 市场中显示出很大的发展潜力。
建立在众多真实数据之上的虚拟用户画像，其结果是不 同用户在被细分之后的差异化标签描述，因此，选择合适的 细分方法成为用户画像建模的关键 [4]。根据性别、年级、学科、 用户习惯与用户需求，将用户画像的特征描述如下： 打卡每日任务，每月月度回顾是打卡型学生用户的主要 特征。他们有自己明确的规划，需要在手机上将自己的任务 安排和学校的上课时间整合在一起，每日结束后可以统一完 成打卡。另外此类人群多为大三大四学生，学习成绩较靠前， 女生数量多于男生。 课表变更通知，作业及时提醒是提示型学生用户的主要 特征。
他们不会刻意记住上课时间与地点，对于作业上交截 止时间也需要提醒。相较于第一类用户，校园 App 能够起到 一定的督促作用。 养成良好习惯，掌握社团资讯是参与型学生用户的主要 特征。他们主要是大一大二学生，有养成良好习惯的需求， 课余时间希望能参与社团活动，丰富课余生活。
4 App 系统设计
4.1 UI 设计标准 UI 设计视觉表现将原本大同小异的用户界面变得个性 化，并且将美观程度大大提高，与此同时，对界面的操作也 变得简单化，舒适化，将用户的学习成本降到最低 [5]。
作为 一款校园 App，更应该首先考虑到目前大学生群体普遍倾向 的审美风格，在此基础上体现校园特色，展现校园精神风貌， 使之内化到学生的日常生活当中。且考虑到学习信息推送 App 属于冷类 App，使用过程中没有社交类 App 那样使用户 产生社交活动的倾向，所以在配色与图标设计中均偏向简洁、 中立的风格。 图标采用 #C6D7EF（浅蓝色）作为底色，运用 2.5D 风 格绘制 Do，并将校徽融入其中。
英文单词“Do”对应 App 的日程任务设置及完成的功能。校徽有利于增加本校学生对 于学校的归属感，增强与其他 App 的区别性。边框圆角值为 83 像素，校徽半径为 83 像素。弧度上的一致可以使避免过 于复杂的设计，能够保持风格上的简洁和一致性。 在颜色选择方面，“上理 DOING”App 主题色选用 #1690FF（天空蓝），以 #FFC53D（亮橙色）为突出项，通 过对比色的呈现，在简约灵动的界面中，更容易让用户抓住 重点区域，如“日显示”任务栏下的三类：考试信息、自 定任务、课程作业。
卡片式的设计，实现了内容与内容的 区块分隔，每一个小项都具有相对独立性，卡片阴影的设 计也可以让任务像是写在便利贴上。非重点显示部分采用 #F7F7F7、#C4C4C4、#707070 三种依次加深的灰色显示，如 输入框、待办未完成项、次要文字等
StumbleUpon和Hunch，Hunch创始人是前Flickr创始人夫妇，项目前身是MIT的机器学习项目，后来算法被用到Hunch上。其它的用得不多。
国内前段时间好像出了个乐柚（ http://www.leyoe.com/），MS是想向Hunch致敬来着。
igoogle 基本上是信息订阅;
douban 电台, 虾米电台 粉红噪音, 没特别仔细听过, last.fm的英文推荐音乐还不错, 中文不太好.
亚马逊上有商品推荐。
豆瓣电台，豆瓣猜，一些电子商务网站如卓越，京东的你可能感兴趣。
http://getglue.com/ getglue
就我本人而言，我使用最多就是亚马逊的推荐系统，但是也发现了许多可能不尽人意的地方，比如说每次我浏览进入的时候，亚马逊给出的推荐和上次的类似，因为我上次浏览网站时并没有浏览它推荐的物品，所以可以从一个侧面反映出我拥有了，或者不感兴趣，或其他原因，总之我有各种原因没有使用，这时系统应该能够识别出我的这种无作为的行为